Python爬虫教程：Scrapy框架全解析

本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的，希望这篇《Python爬虫教程：Scrapy框架详解》对你有很大帮助！欢迎收藏，分享给更多的需要的朋友学习~

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。

终于介绍完啦！小伙伴们，这篇关于《Python爬虫教程：Scrapy框架全解析》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！