爬虫--scrapy 初探

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

写爬虫比较popular的语言是python，楼主主要就是用python写，到现在也写过一二十个简单爬虫了；
网上也有写的比较好的介绍
http://www.zhihu.com/question/20899988

盗个图，这就是基本原理

大概流程有 ：

                   |-----------------------------|
                   站点URL-->Request-->Parse-->new URL
                                            -->data-->database
                                                   -->file

我也不想把API里的document翻译一遍，记录一下实践中遇到的问题，见招拆招，与网站建立者斗智斗勇（PS：楼主还是比较遵守爬虫守则的）
1. header：
一般有防护意识的网站都会判断是用户 还是 rebot发出的请求，而请求头（header）里的信息就能起到这个作用。
1.2 Cookie：记录用户的行为；
可以用作后台的判定和记录，如果网站只在cookie里做了手脚，比如限制用户的下载次数，明文的话有时可以修改欺骗服务器；scrapy提供cookie的自动维护，也可以关闭
1.3 Referer： 防盗链功能， 加上可以绕过；

request = scrapy.Request(URL, callback=self.parse, header={……})

1.4 “X-Requested-With”: “XMLHttpRequest” ajax请求，一般都是Post的，采用如下方法

request = scrapy.http.FormRequest(url=aaaaaa, formdata=post_data, callback=self.parse_code, dont_filter=True, method="POST")

有时为了省事，直接加上所有header信息，多部分网站能搞到，但有时也能被他玩到，最好的办法还是要搞清楚它的工作原理

2. 浏览器开发者工具
每个浏览器基本上都自带有开发者工具，个人比较习惯Firefox的
抓包的追踪功能确实挺爽，但也有搞不定的时候：
比如我在抓一个网站的时候，一个a标签，点击跳转到_blank，然后在js里调了一次函数，本页面会有302跳，那么抓包工具就只能抓到本页面的所有的加载，而新跳出的页面没有记录（个人觉得是可以设置的，可是一直没有找到，如果有知道的牛人，还请不吝指教，感激不尽），如果有记录的话，那简直就是爽到爆啊，如果新页面我们需要的信息，刚好在新页面，而新页面有做了比较好的防护，那我们就惨了，得花时间了：

两条路：
1、追踪js等跳转代码，js写的比较乱的网站，这种方法简直就是折磨，加上对js不是很熟，放弃了
2、根据经验破解，回到第一条header里的一些信息，或者post的参数等等

不好意思，写的比较乱，我看了一遍，好像有些地方写的只有自己知道是什么意思，懒得改了，大概意思应该能明白