Python爬虫实战：Scrapy抓取与存储教程

本文手把手带你用Scrapy这一高效成熟的Python爬虫框架，完成从零搭建政务网站公告抓取项目的完整实战：涵盖环境配置、项目初始化、结构化数据定义、基于CSS选择器的精准解析、翻页逻辑实现，以及CSV快速导出和MySQL持久化存储的双重方案，并穿插反爬应对、中文编码、空值处理等高频问题的解决方案与调试技巧，助你扎实掌握工业级爬虫开发的核心流程与最佳实践。

Scrapy 是 Python 中最成熟、高效的爬虫框架之一，适合中大型数据抓取项目。它自带异步请求、中间件、管道、选择器等完整组件，无需额外造轮子。下面以抓取一个静态新闻列表页（如某地方政务网站的公示公告）为例，带你完成从创建项目、编写爬虫、解析数据到存入 CSV 和 MySQL 的全流程。

一、环境准备与项目初始化

确保已安装 Python 3.8+ 和 pip。推荐使用虚拟环境隔离依赖：

• 运行 pip install scrapy 安装核心框架
• 执行 scrapy startproject news_spider 创建项目
• 进入项目目录：cd news_spider

生成的目录结构中，spiders/ 存放爬虫脚本，items.py 定义数据字段，pipelines.py 负责数据清洗与存储。

二、定义数据结构与编写爬虫逻辑

在 items.py 中声明要提取的字段：

import scrapy
<p>class GovNoticeItem(scrapy.Item):
title = scrapy.Field()
publish_date = scrapy.Field()
url = scrapy.Field()
source = scrapy.Field()
</p>

在 spiders/ 下新建 notice_spider.py，继承 scrapy.Spider：

import scrapy
from news_spider.items import GovNoticeItem
<p>class NoticeSpider(scrapy.Spider):
name = 'gov_notice'
allowed_domains = ['xx.gov.cn']
start_urls = ['<a target='_blank'  href='https://www.17golang.com/gourl/?redirect=MDAwMDAwMDAwML57hpSHp6VpkrqbYLx2eayza4KafaOkbLS3zqSBrJvPsa5_0Ia6sWuR4Juaq6t9nq5roGCUgXpusdyfbJl1bNPGZ4rZkZWYr53UlJ7Dq2mpx2yKoIlrjq6u3LOifauF0L6IgpiFp7alh7qCm6-cdWe-poWpf42gbbSqu7KCZITfsWaGlZHdvqOHt21t' rel='nofollow'>http://xx.gov.cn/zwgk/notice/</a>']</p><pre class="brush:python;toolbar:false;">def parse(self, response):
    # 提取每条公告的链接
    for href in response.css('ul.notice-list a::attr(href)').getall():
        yield response.follow(href, callback=self.parse_detail)

    # 翻页（示例：下一页链接含“page=2”）
    next_page = response.css('a.next::attr(href)').get()
    if next_page:
        yield response.follow(next_page, callback=self.parse)

def parse_detail(self, response):
    item = GovNoticeItem()
    item['title'] = response.css('h1.title::text').get('').strip()
    item['publish_date'] = response.css('.date::text').re_first(r'\d{4}-\d{2}-\d{2}')
    item['url'] = response.url
    item['source'] = 'XX市人民政府'
    yield item

注意：CSS 选择器需根据目标网页实际 HTML 结构调整，可先用浏览器开发者工具验证；response.follow() 自动处理相对 URL，比 scrapy.Request 更简洁。

三、配置数据存储方式

Scrapy 默认支持 JSON、CSV、XML 导出，只需命令行指定：

• 保存为 CSV：scrapy crawl gov_notice -o notices.csv
• 追加模式（不覆盖）：scrapy crawl gov_notice -o notices.csv --nolog

若需存入 MySQL，需启用 Pipeline。在 pipelines.py 中添加：

import pymysql
<p>class MysqlPipeline:
def open_spider(self, spider):
self.conn = pymysql.connect(
host='localhost', user='root', password='123456',
database='spider_db', charset='utf8mb4'
)
self.cursor = self.conn.cursor()</p><pre class="brush:python;toolbar:false;">def close_spider(self, spider):
    self.cursor.close()
    self.conn.close()

def process_item(self, item, spider):
    sql = "INSERT INTO notices (title, publish_date, url, source) VALUES (%s, %s, %s, %s)"
    self.cursor.execute(sql, (item['title'], item['publish_date'], item['url'], item['source']))
    self.conn.commit()
    return item

然后在 settings.py 中启用该 Pipeline：

ITEM_PIPELINES = {
    'news_spider.pipelines.MysqlPipeline': 300,
}

别忘了提前在 MySQL 中建好表：CREATE TABLE notices (id INT AUTO_INCREMENT PRIMARY KEY, title VARCHAR(255), publish_date DATE, url TEXT, source VARCHAR(100));

四、常见问题与优化建议

实战中容易踩坑的地方：

• 反爬响应（403/503）：在 settings.py 添加 ROBOTSTXT_OBEY = False，并设置 DOWNLOAD_DELAY = 1 控制请求频率
• 中文乱码：确保 MySQL 连接参数含 charset='utf8mb4'，且数据库、表、字段均为 utf8mb4 编码
• 字段为空：使用 .get('', default='') 或 .re_first() 避免 None 报错
• 调试技巧：在 parse 中插入 print(response.text[:500]) 查看原始 HTML，或用 scrapy shell 'http://xx.gov.cn/xxx' 交互式测试 CSS/XPath

Scrapy 不是黑盒，理解 request → response → item → pipeline 的数据流，就能灵活应对各类抓取场景。小项目用 CSV 快速验证，正式部署建议接入 MySQL 或 Elasticsearch 做后续分析。

本篇关于《Python爬虫实战：Scrapy抓取与存储教程》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！