实战：用Scrapy框架搭建第一个爬虫项目

原创

富贵软件

发布于 2025-09-29 11:26:12

15000

代码可运行

文章被收录于专栏：编程教程编程教程

运行总次数：0

代码可运行

免费编程软件「python+pycharm」

链接：https://pan.quark.cn/s/48a86be2fdc0

引言：Scrapy框架的核心价值

Scrapy是Python生态中针对网络爬虫优化的高性能框架，其设计核心在于通过“引擎-调度器-下载器-爬虫-管道”的协作模式，实现从页面抓取、数据解析到持久化的全流程自动化。相比传统requests+BeautifulSoup的组合，Scrapy内置了请求队列管理、自动重试、中间件扩展等关键功能，特别适合需要处理大规模数据抓取的场景。本文将以实战为导向，通过抓取“名人名言”网站（quotes.toscrape.com）的完整流程，详细拆解Scrapy的每个核心组件及其协作逻辑。

环境准备：从安装到验证

1.1 安装依赖

通过pip安装Scrapy框架（推荐Python 3.6+环境）：

pip install scrapy

验证安装成功可通过终端执行：

scrapy version

若输出类似 Scrapy 2.11.1的版本信息即表示安装完成。Windows用户若遇 win32api 模块缺失错误，需额外安装pypiwin32包。

1.2 项目初始化

在目标目录执行创建命令：

scrapy startproject quotes_project

生成的项目结构包含：

scrapy.cfg：项目配置文件，定义部署参数
quotes_project/：主代码目录，包含：
- items.py：数据结构模板
- pipelines.py：数据处理管道
- settings.py：全局配置
- spiders/：爬虫代码存放目录

核心组件详解与实战编码

2.1 定义数据结构（Items）

在items.py中定义抓取目标字段，例如：

import scrapy

class QuoteItem(scrapy.Item):
    text = scrapy.Field()      # 名言文本
    author = scrapy.Field()    # 作者
    tags = scrapy.Field()      # 标签列表

2.2 编写爬虫逻辑（Spider）

在spiders/quotes_spider.py中创建爬虫类：

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"  # 爬虫唯一标识
    start_urls = [
        'http://quotes.toscrape.com/page/1/'
    ]

    def parse(self, response):
        # 解析当前页面
        for quote in response.css('div.quote'):
            yield {
                'text': quote.css('span.text::text').get(),
                'author': quote.css('small.author::text').get(),
                'tags': quote.css('div.tags a.tag::text').getall()
            }
        
        # 处理翻页
        next_page = response.css('li.next a::attr(href)').get()
        if next_page:
            yield scrapy.Request(
                response.urljoin(next_page),
                callback=self.parse
            )

关键解析逻辑：

使用CSS选择器定位名言区块（div.quote）
通过::text伪类提取纯文本内容
getall()方法获取标签列表，get()获取单值
翻页请求通过response.urljoin拼接绝对路径

2.3 数据处理与存储（Pipelines）

在pipelines.py中实现数据清洗和存储逻辑：

import json

class QuotesPipeline:
    def __init__(self):
        self.file = open('quotes.json', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        # 数据清洗示例：去除首尾空格
        item['text'] = item['text'].strip()
        # 序列化为JSON行
        line = json.dumps(dict(item), ensure_ascii=False) + '\n'
        self.file.write(line)
        return item

    def close_spider(self, spider):
        self.file.close()

启用管道需在 settings.py中添加：

ITEM_PIPELINES = {
'quotes_project.pipelines.QuotesPipeline': 300,
}

2.4 配置优化（settings.py）

关键配置项说明：

ROBOTSTXT_OBEY = False # 禁用robots.txt协议遵守（需谨慎）
DOWNLOAD_DELAY = 2 # 设置请求间隔避免被封
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36' # 伪装浏览器UA
AUTOTHROTTLE_ENABLED = True # 启用自动限速机制

运行与调试技巧

3.1 启动爬虫

项目根目录执行：

scrapy crawl quotes -o quotes.json

-o 参数支持JSON/CSV/XML等多种格式导出，数据将自动追加写入指定文件。

3.2 交互式调试

使用Scrapy Shell实时测试选择器：

scrapy shell "http://quotes.toscrape.com/page/1/"

进入后可直接执行：

response.css('div.quote:first-child span.text::text').get()

快速验证选择器是否正确匹配目标元素。

常见问题Q&A

Q1：被网站封IP怎么办？

A：立即启用代理池策略，推荐使用住宅代理（如站大爷IP代理），配合scrapy-rotating-proxies中间件实现每请求自动更换IP。同时启用自动限速（AutoThrottle）和随机延迟（DOWNLOAD_DELAY）提升请求隐蔽性。

Q2：如何处理动态加载的内容？

A：对于JavaScript渲染的页面，需结合Selenium或Splash实现动态加载。以Splash为例，需先安装scrapy-splash插件，在settings.py中配置：

SPLASH_URL = 'http://localhost:8050'
DOWNLOADER_MIDDLEWARES = {
    'scrapy_splash.SplashCookiesMiddleware': 723,
    'scrapy_splash.SplashMiddleware': 725,
}
DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'

Q3：如何提升爬虫效率？

A：通过调整并发参数优化性能，在settings.py中设置：

CONCURRENT_REQUESTS = 32 # 最大并发请求数
CONCURRENT_REQUESTS_PER_DOMAIN = 8 # 单域名并发限制

同时启用管道异步写入（如使用 aiohttp 库）减少 I/O 阻塞。

Q4：数据存储出现乱码如何解决？

A：在管道中显式指定UTF-8编码，示例：

import codecs
self.file = codecs.open('data.json', 'w', encoding='utf-8')

JSON导出时添加 ensure_ascii=False 参数确保中文字符正常显示。

Q5：如何实现分布式爬虫？

A：通过scrapy-redis组件实现分布式架构，配置要点包括：

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

需部署Redis集群作为共享存储，支持多节点协同抓取和去重。

性能优化与扩展方向

6.1 内存管理

通过JOBDIR参数实现爬虫断点续爬，避免因网络中断导致数据丢失。在settings.py配置：

JOBDIR = 'crawls/quotes'

重启时自动加载上次未完成的任务队列。

6.2 反爬策略升级

动态User-Agent池：通过中间件随机切换请求头
指纹混淆：修改scrapy请求指纹算法绕过简单反爬
验证码处理：集成第三方OCR服务（如云打码平台）

6.3 监控与部署

结合Scrapy-Docker实现容器化部署，使用Scrapyd提供REST API远程控制爬虫任务。监控推荐使用Scrapy-Stats收集运行指标，通过Grafana可视化展示吞吐量、错误率等关键数据。

总结与展望

通过本实战案例，我们完整经历了从项目创建到数据存储的Scrapy开发全流程。该框架的核心优势在于其模块化设计和高度可扩展性——通过中间件（Middleware）可灵活插入代理切换、请求重试等逻辑，通过管道（Pipeline）可对接数据库、消息队列等存储方案。未来随着AI反爬技术的演进，Scrapy生态也在持续迭代，例如集成Playwright实现更复杂的浏览器自动化操作，或结合机器学习模型进行动态反爬对抗。

对于开发者而言，掌握Scrapy不仅是掌握一个工具，更是理解分布式系统设计、网络协议、数据流处理等核心技术的绝佳实践场景。建议读者在完成基础案例后，尝试挑战更复杂的场景（如登录认证、AJAX接口解析），并在实战中深化对框架设计哲学的理解。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

python

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

登录后参与评论

0 条评论

热度