Python爬虫(六):Scrapy框架

"Scrapy到底该怎么学?"今天,我将用这篇万字长文,带你从零开始掌握Scrapy框架的核心用法,并分享我在实际项目中的实战经验!建议收藏⭐!

一、Scrapy简介:为什么选择它?

1.1 Scrapy vs Requests+BeautifulSoup

很多新手会问:"我已经会用Requests+BeautifulSoup了,为什么还要学Scrapy?"

对比项 Requests+BS4 Scrapy
性能 同步请求,速度慢 异步IO,高性能
扩展性 需要手动实现 内置中间件、管道系统
功能完整性 仅基础爬取 自带去重、队列管理、异常处理
适用场景 小规模数据采集 企业级爬虫项目

👉 结论:如果是小型项目,Requests够用;但如果是商业级爬虫,Scrapy是更好的选择!

1.2 Scrapy核心架构

(图解Scrapy架构,建议配合流程图理解)
生成Request 发送请求 排队 返回Response 生成Item Spider Engine Scheduler Downloader Item Pipeline


二、手把手实战:开发你的第一个Scrapy爬虫

2.1 环境准备

bash 复制代码
# 推荐使用虚拟环境
python -m venv scrapy_env
source scrapy_env/bin/activate  # Linux/Mac
scrapy_env\Scripts\activate  # Windows

pip install scrapy

2.2 创建项目

bash 复制代码
scrapy startproject book_crawler
cd book_crawler
scrapy genspider books books.toscrape.com

2.3 编写爬虫代码

python 复制代码
# spiders/books.py
import scrapy

class BooksSpider(scrapy.Spider):
    name = "books"
    
    def start_requests(self):
        urls = ['http://books.toscrape.com/']
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)
    
    def parse(self, response):
        # 提取书籍信息
        for book in response.css('article.product_pod'):
            yield {
                'title': book.css('h3 a::attr(title)').get(),
                'price': book.css('p.price_color::text').get(),
                'rating': book.css('p.star-rating::attr(class)').get().split()[-1]
            }
        
        # 翻页逻辑
        next_page = response.css('li.next a::attr(href)').get()
        if next_page:
            yield response.follow(next_page, callback=self.parse)

2.4 运行爬虫

bash 复制代码
scrapy crawl books -o books.csv

三、Scrapy高级技巧(企业级应用)

3.1 突破反爬:随机UserAgent+代理IP

python 复制代码
# middlewares.py
from fake_useragent import UserAgent
import random

class RandomUserAgentMiddleware:
    def process_request(self, request, spider):
        request.headers['User-Agent'] = UserAgent().random

class ProxyMiddleware:
    PROXY_LIST = [
        'http://proxy1.example.com:8080',
        'http://proxy2.example.com:8080'
    ]
    
    def process_request(self, request, spider):
        proxy = random.choice(self.PROXY_LIST)
        request.meta['proxy'] = proxy

settings.py中启用:

python 复制代码
DOWNLOADER_MIDDLEWARES = {
    'book_crawler.middlewares.RandomUserAgentMiddleware': 543,
    'book_crawler.middlewares.ProxyMiddleware': 544,
}

3.2 数据存储:MySQL+Pipeline

python 复制代码
# pipelines.py
import pymysql

class MySQLPipeline:
    def __init__(self):
        self.conn = pymysql.connect(
            host='localhost',
            user='root',
            password='123456',
            db='scrapy_data',
            charset='utf8mb4'
        )
        self.cursor = self.conn.cursor()
    
    def process_item(self, item, spider):
        sql = """
        INSERT INTO books(title, price, rating) 
        VALUES (%s, %s, %s)
        """
        self.cursor.execute(sql, (
            item['title'],
            item['price'],
            item['rating']
        ))
        self.conn.commit()
        return item
    
    def close_spider(self, spider):
        self.conn.close()

四、常见问题Q&A

Q1:如何爬取JavaScript渲染的页面?

方案一:Scrapy+Splash

python 复制代码
# 安装:docker run -p 8050:8050 scrapinghub/splash
yield scrapy.Request(
    url,
    self.parse,
    meta={'splash': {'args': {'wait': 2.5}}}
)

方案二:Scrapy+Playwright(推荐)

python 复制代码
# settings.py
DOWNLOAD_HANDLERS = {
    "http": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
    "https": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
}

Q2:如何实现分布式爬虫?

使用scrapy-redis

python 复制代码
# settings.py
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
REDIS_URL = 'redis://:password@localhost:6379/0'

五、性能优化技巧

  1. 并发控制

    python 复制代码
    # settings.py
    CONCURRENT_REQUESTS = 32  # 默认16
    DOWNLOAD_DELAY = 0.25  # 防止被封
  2. 缓存请求

    python 复制代码
    HTTPCACHE_ENABLED = True
    HTTPCACHE_EXPIRATION_SECS = 86400  # 缓存1天
  3. 自动限速

    python 复制代码
    AUTOTHROTTLE_ENABLED = True
    AUTOTHROTTLE_START_DELAY = 5.0
相关推荐
深蓝电商API12 小时前
httpx库异步爬虫实战对比aiohttp
爬虫·httpx
90的程序爱好者12 小时前
flask入门
后端·python·flask
历程里程碑12 小时前
滑动窗口----滑动窗口最大值
javascript·数据结构·python·算法·排序算法·哈希算法·散列表
心语星光12 小时前
用python语言的pyautogui库实现伪批量将xdf文件打印为pdf文件
开发语言·python·pdf·自动化
七夜zippoe12 小时前
Kubernetes与Python微服务编排实战:从基础部署到自动扩缩容
python·微服务·kubernetes·service·hpa
idwangzhen12 小时前
GEO优化系统哪家好
python·信息可视化
Remember_99312 小时前
Java 工厂方法模式:解耦对象创建的优雅方案
java·开发语言·python·算法·工厂方法模式
IRevers12 小时前
RF-DETR:第一个在COCO上突破60AP的DETR(含检测和分割推理)
图像处理·人工智能·python·深度学习·目标检测·计算机视觉
自可乐13 小时前
AutoGen(多智能体AI框架)全面学习教程
人工智能·python·学习·ai
郝学胜-神的一滴13 小时前
机器学习中的特征提取:PCA与LDA详解及sklearn实践
人工智能·python·程序人生·算法·机器学习·sklearn