Python爬虫教程：Scrapy框架实战指南

想要高效抓取网页数据并进行结构化输出？本文为你提供一套Python Scrapy爬虫框架的实战指南。作为Python中最常用且功能强大的爬虫框架之一，Scrapy支持异步请求，方便数据提取、管理请求队列和处理异常。本文将详细介绍Scrapy的安装与项目创建，如何编写你的第一个爬虫，包括定义爬虫名称、设置起始URL和编写解析方法，并利用CSS选择器提取所需信息。同时，还将讲解数据存储，如何将数据保存为JSON、CSV等格式，以及使用Item Pipeline存入数据库。最后，我们还会探讨如何通过调整DOWNLOAD_DELAY、USER_AGENT等参数，优化爬虫设置，有效降低被封IP的风险，助你搭建一个功能完善的Scrapy爬虫系统。

要实现网络爬虫，Python 中最常用、功能强大的框架之一是 Scrapy。1. 安装 Scrapy 并创建项目：使用 pip install scrapy 安装，并通过 scrapy startproject myproject 创建项目；2. 编写第一个爬虫：在 spiders 目录下新建 Python 文件，定义继承自 scrapy.Spider 的类，设置 name、start_urls 和 parse 方法提取数据；3. 数据存储：通过 -o 参数将数据保存为 JSON、CSV 等格式，或使用 Item Pipeline 存入数据库；4. 设置与优化：在 settings.py 中调整 DOWNLOAD_DELAY、USER_AGENT 等参数以控制请求频率和模拟浏览器访问，降低被封 IP 风险。掌握这四个部分即可搭建一个功能完整的 Scrapy 爬虫系统。

要实现网络爬虫，Python 中最常用、功能强大的框架之一就是 Scrapy。它不仅支持异步请求，还能方便地提取数据、管理请求队列和处理异常。如果你希望高效抓取网页内容并结构化输出，Scrapy 是一个非常合适的选择。

安装 Scrapy 并创建项目

在开始之前，你需要先安装 Scrapy。可以通过 pip 来安装：

pip install scrapy

安装完成后，就可以创建一个新的爬虫项目了。使用以下命令创建一个项目（例如叫做 myproject）：

scrapy startproject myproject

这会生成一个标准的项目结构，包含 spiders、items、middlewares 等目录和文件。

进入项目目录后，就可以开始编写你的第一个爬虫了。

编写第一个爬虫：抓取网页标题和链接

在 spiders 目录下新建一个 Python 文件，比如叫 example_spider.py，然后定义一个继承自 scrapy.Spider 的类。

下面是一个简单的例子，用于抓取某个页面上的文章标题和链接：

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    start_urls = [
        'https://example.com/articles',
    ]

    def parse(self, response):
        for article in response.css('div.article'):
            yield {
                'title': article.css('h2 a::text').get(),
                'link': article.css('h2 a::attr(href)').get(),
            }

在这个例子中：

• name 是爬虫的名字，运行时会用到。
• start_urls 是初始请求的 URL 列表。
• parse 方法是默认的回调函数，用来解析响应内容。
• 使用 CSS 选择器提取标题和链接，并通过 yield 输出结果。

你可以通过如下命令运行这个爬虫：

scrapy crawl example

数据存储：保存为 JSON、CSV 或数据库

Scrapy 支持将爬取的数据直接导出为多种格式。最简单的方式是在运行命令时加上 -o 参数：

scrapy crawl example -o output.json

支持的格式包括 JSON、CSV、XML 等。如果你想把数据存入数据库，比如 MySQL 或 MongoDB，就需要使用 Item Pipeline 功能。

步骤大致如下：

• 在 items.py 中定义需要提取的数据字段；
• 在 pipelines.py 中编写数据库连接和插入逻辑；
• 在 settings.py 中启用 pipeline。

这种方式适合长期维护和扩展的项目，也能避免重复数据入库。

设置与优化：控制请求频率和模拟浏览器访问

Scrapy 默认请求速度比较快，可能会触发网站反爬机制。为了更“友好”一些，可以在 settings.py 中调整以下参数：

• DOWNLOAD_DELAY: 设置下载间隔，比如设为 1 表示每秒一次请求；
• USER_AGENT: 更换 User-Agent，伪装成浏览器访问；
• ROBOTSTXT_OBEY = True: 遵守 robots.txt 规则，避免抓取禁止区域；
• CONCURRENT_REQUESTS: 控制并发请求数量，避免服务器压力过大；

举个例子，设置一个常见的浏览器 User-Agent：

USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'

这些设置能有效降低被封 IP 的风险，也更容易通过网站的基本检测。

基本上就这些。掌握这几个部分，你就能用 Scrapy 搭建一个功能完整的爬虫系统了。虽然看起来有点多，但每个环节都不复杂，只是细节容易忽略。

本篇关于《Python爬虫教程：Scrapy框架实战指南》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！