爬虫框架快速入门——Scrapy

适用人群：零基础、对网络爬虫有兴趣但不知道从何开始的小白。

什么是 Scrapy？

Scrapy 是一个基于 Python 的网络爬虫框架，它能帮助你快速爬取网站上的数据，并将数据保存到文件或数据库中。

特点：

高效：支持高并发爬取，性能强悍。
易用：模块化设计，代码清晰，易于上手。
灵活：支持爬取静态页面，还可以结合其他工具爬取动态页面。

准备工作

安装 Python

下载并安装 Python 3.x，建议从 Python 官网获取最新版。
安装 Scrapy

在命令行中运行以下命令安装 Scrapy：
bash 复制代码
```
pip install scrapy
```
验证安装

输入以下命令检查是否安装成功：
bash 复制代码
```
scrapy version
```
如果显示版本号，说明安装成功！

第一步：创建 Scrapy 项目

创建项目

在命令行进入你想保存项目的目录，运行以下命令：

bash 复制代码

scrapy startproject myproject

这会创建一个名为 myproject 的文件夹，结构如下：

myproject/
    scrapy.cfg          # 项目配置文件
    myproject/
        __init__.py     # 标识包的文件
        items.py        # 定义数据结构
        middlewares.py  # 中间件
        pipelines.py    # 数据处理管道
        settings.py     # 项目配置
        spiders/        # 存放爬虫的目录
            __init__.py

进入项目目录
bash 复制代码
```
cd myproject
```

第二步：创建爬虫

我们以一个简单的网站为例： Quotes to Scrape

目标：爬取网站上的名言和作者。

生成爬虫文件

运行以下命令生成爬虫模板：
bash 复制代码
```
scrapy genspider quotes quotes.toscrape.com
```
这会在 spiders 文件夹下生成一个 quotes.py 文件。

编辑爬虫代码

打开 quotes.py，替换为以下代码：

python 复制代码

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/'
    ]

    def parse(self, response):
        for quote in response.css("div.quote"):
            yield {
                'text': quote.css("span.text::text").get(),
                'author': quote.css("span small.author::text").get(),
            }

        # 继续爬取下一页
        next_page = response.css("li.next a::attr(href)").get()
        if next_page:
            yield response.follow(next_page, self.parse)

第三步：运行爬虫

运行爬虫

在命令行运行以下命令：
bash 复制代码
```
scrapy crawl quotes
```
保存数据

如果想将爬取的数据保存为 JSON 文件：
bash 复制代码
```
scrapy crawl quotes -o quotes.json
```
数据会被保存到 quotes.json 文件中。

第四步：分析代码

start_urls

定义起始 URL，即爬虫开始爬取的网站。
parse 方法

负责处理 HTTP 响应，提取数据和下一页链接。
- response.css 是 CSS 选择器，用于提取网页内容。
- yield 返回一个字典，保存爬取到的数据。
next_page

爬取下一页的链接并继续调用 parse 方法。

第五步：进阶功能

清洗数据

在 pipelines.py 中清洗和格式化数据。例如，将作者名统一大小写。
存储到数据库

修改 pipelines.py，将数据存储到 MySQL 或 MongoDB。
添加 User-Agent

在 settings.py 中添加自定义 User-Agent，避免被网站屏蔽：
python 复制代码
```
USER_AGENT = 'my-scrapy-bot (http://mywebsite.com)'
```

常见问题

爬虫被屏蔽 ：

使用随机 User-Agent 或代理 IP。
动态页面爬取 ：

Scrapy 对静态页面支持很好，但对动态加载的内容可能无效。可结合 Selenium 或 Playwright。

总结

恭喜你完成了第一个 Scrapy 爬虫！通过 Scrapy，你可以轻松爬取各种网站的数据。接下来，你可以：

尝试爬取不同类型的网站。
深入学习 Scrapy 的高级功能，如自定义中间件、多线程优化等。

完整代码

项目目录中的爬虫代码最终如下：

python 复制代码

import scrapy

class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = [
        'http://quotes.toscrape.com/'
    ]

    def parse(self, response):
        for quote in response.css("div.quote"):
            yield {
                'text': quote.css("span.text::text").get(),
                'author': quote.css("span small.author::text").get(),
            }

        next_page = response.css("li.next a::attr(href)").get()
        if next_page:
            yield response.follow(next_page, self.parse)

动手实践是学习的最好方式！希望这篇文章对你有帮助。如果喜欢，请点赞、评论支持！如果有任何疑问，欢迎留言讨论！ 😊