关于 scrapy框架 详解

scrapy 是一个纯 Python 编写的异步爬虫框架，具备以下特点：

优势	说明
异步高效	基于 Twisted，非阻塞 IO
模块化	各部分可灵活配置/替换
中间件机制	支持代理、UA、cookie 控制等
强大的解析	内置 XPath、CSS 提取器
自动去重	Scheduler 内部维护请求 fingerprint
可扩展	支持 Redis/MongoDB/Selenium 等集成

适合用于中大型项目，管理多个 Spider 和抓取流程。

---

一、Scrapy 架构图 & 核心原理

        ┌────────────────────────────────────┐
        │           Scrapy Engine 引擎       │
        │   (调度、分发请求与响应的控制中枢)  │
        └────────────────────────────────────┘
                      ▲          ▲
                      │          │
       ┌──────────────┘          └────────────────────┐
       ▼                                               ▼
┌──────────────┐                             ┌─────────────────────┐
│ Scheduler    │                             │  Downloader          │
│ 调度器       │                             │ 下载器（发请求）     │
│ 维护请求队列 │                             └─────────────────────┘
└─────▲────────┘                                       ▲
      │                                                │
      │       ┌─────────────────────────────┐          │
      └──────►│ Downloader Middlewares 下载中间件│◄──────┘
              └─────────────────────────────┘
                          ▲
                          │
                    ┌─────┴───────┐
                    │ Request 请求│
                    └────────────┘
                          │
                          ▼
                    ┌─────────────┐
                    │ Response 响应│
                    └────┬────────┘
                         │
                         ▼
         ┌────────────────────────────────────┐
         │             Spider 爬虫类           │
         │    (处理响应，提取数据和生成新请求) │
         └────────────────┬───────────────────┘
                          │
                          ▼
                ┌────────────────────┐
                │  Item（提取数据）   │
                └───────┬────────────┘
                        ▼
            ┌──────────────────────────┐
            │  Item Pipeline 管道       │
            │（保存数据到文件、数据库等）│
            └──────────────────────────┘

>工作流程步骤解释

• >1. Spider 生成初始 Request 请求

  • 如**start_urls = ['https://example.com']**

  • 被送到引擎（Engine）

• >2. Engine 把请求交给 Scheduler 调度器

  • 调度器负责排队请求，避免重复（有去重功能）

• >3. Engine 从 Scheduler 取一个请求交给 Downloader 下载器

  • Downloader 通过 HTTP 请求抓网页（可带中间件，如代理）

• >4. Downloader 下载完后返回 Response 给 Engine

• >5. Engine 把 Response 给 Spider 的 parse() 方法

  • 写的**parse()** 里会提取数据（Item）或继续发送新请求

• >6. 提取的数据（Item）交给 Pipeline

  • Pipeline 可以把它存储到：文件、MongoDB、MySQL、Elasticsearch 等

• >7. Spider 产生的新请求（Request）再次送入 Scheduler → 重复上面过程

>模拟完整流程（豆瓣爬虫举例）

假设爬豆瓣 Top250 页：

• >1. Spider：创建第一个请求**Request("https://movie.douban.com/top250")**

• **>2.**Scheduler：收下请求排队

• **>3.**Downloader：请求网站，返回 HTML

• **>4.**Spider.parse()：用 CSS/XPath 抽取电影名、评分

• >5. 生成 Item：{'title': '肖申克的救赎', 'score': '9.7'}

• **>6.**Pipeline：保存为 JSON

• **>7.**如果页面有"下一页"，parse() 再 yield 一个 Request(下一页链接)，流程继续

---

二、Scrapy 项目结构

创建项目：

scrapy startproject myspider

结构如下：

myspider/                      ← Scrapy 项目根目录
├── scrapy.cfg                 ← Scrapy 配置文件（全局入口）
├── myspider/                 ← 项目 Python 包目录（真正的业务逻辑在这）
│   ├── __init__.py            ← 表明这是一个包
│   ├── items.py               ← 定义数据结构（Item 模型）
│   ├── middlewares.py         ← 下载中间件定义（如加代理）
│   ├── pipelines.py           ← 管道：保存数据（文件、数据库）
│   ├── settings.py            ← 项目配置文件（如 headers、限速、并发数）
│   └── spiders/               ← 存放所有 Spider 的目录
│       └── example.py         ← 一个 Spider 示例（爬虫脚本）

2.1 scrapy.cfg（项目运行配置文件）

位置 ：根目录
作用：告诉 Scrapy 你要运行哪个项目的设置文件。

内容示例：

[settings]
default = myspider.settings   ← 指定 settings.py 的位置

[deploy]
# 用于部署到 scrapyd 时用，不影响本地运行

当运行 **scrapy crawl xxx**命令时，它会先从这个文件找到项目配置。

2.2 myspider/（项目主模块目录）

这是 Scrapy 真正执行的业务模块，其中所有核心逻辑都写在这里。

1）init.py

让 Python 把 myspider/ 识别为模块包，没别的逻辑。

2）items.py：定义数据结构（类似数据表字段）

Scrapy 的数据提取不是直接用字典，而是专门定义一个**Item** 类。

示例：

import scrapy

class MyspiderItem(scrapy.Item):
    title = scrapy.Field()
    author = scrapy.Field()
    date = scrapy.Field()

在 Spider 中提取数据时用：

item = MyspiderItem()
item['title'] = ...
item['author'] = ...
yield item

3）middlewares.py：下载中间件（拦截请求与响应）

Scrapy 支持在请求发出前、响应回来后做额外处理，例如：

• 修改请求头（如 User-Agent）

• 设置代理

• 自动重试

• 伪装成浏览器

示例：

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

在 **settings.py**中启用：

DOWNLOADER_MIDDLEWARES = {
    'myspider.middlewares.RandomUserAgentMiddleware': 543,
}

4）pipelines.py：数据管道（保存提取到的数据）

Scrapy 提取的数据通过**Item** 传入管道中做进一步处理，比如：

• 保存到 JSON、CSV

• 存入数据库（MongoDB、MySQL）

• 图片下载

示例：

class JsonWriterPipeline:
    def open_spider(self, spider):
        self.file = open('items.json', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        self.file.write(str(item) + "\n")
        return item

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

在**settings.py** 启用：

ITEM_PIPELINES = {
    'myspider.pipelines.JsonWriterPipeline': 300,
}

5）settings.py：Scrapy 项目的配置中心

可以在这里设置：

配置项	作用
ROBOTSTXT_OBEY	是否遵守 robots 协议（开发建议设为 False）
DOWNLOAD_DELAY	下载延迟（防止被封 IP）
CONCURRENT_REQUESTS	最大并发请求数
DEFAULT_REQUEST_HEADERS	请求头设置
ITEM_PIPELINES	设置哪些 pipeline 被启用
DOWNLOADER_MIDDLEWARES	设置中间件

示例片段：

BOT_NAME = 'myspider'

ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 1
CONCURRENT_REQUESTS = 16

DEFAULT_REQUEST_HEADERS = {
   'User-Agent': 'Mozilla/5.0',
}

ITEM_PIPELINES = {
   'myspider.pipelines.JsonWriterPipeline': 300,
}

6）spiders/：爬虫文件目录（每个爬虫类放一个 .py）

一个 Spider 类 = 一个网站的爬虫逻辑。

示例：

import scrapy
from myspider.items import MyspiderItem

class BookSpider(scrapy.Spider):
    name = "books"
    start_urls = ['https://books.example.com']

    def parse(self, response):
        for book in response.css('div.book'):
            item = MyspiderItem()
            item['title'] = book.css('h2::text').get()
            item['author'] = book.css('.author::text').get()
            yield item

运行爬虫：

scrapy crawl books

2.3 各模块作用表

位置	作用	是否需要改
scrapy.cfg	项目入口配置	一般不改
myspider/__init__.py	标识模块	不改
items.py	定义数据字段	必改
middlewares.py	拦截请求/响应	可选改
pipelines.py	存储 Item	可选改
settings.py	设置并发、延迟等	常用配置项要改
spiders/	放爬虫脚本	主战场，必须写

---

三、项目举例

实战目标

• 抓取 某勾职位接口。

• 提取字段：

  • 职位名、公司名、城市、薪资、学历、经验、公司规模

• 自动翻页（1~5页）

• 保存为 CSV 文件

第一步：创建项目

打开终端：

scrapy startproject lagou_spider
cd lagou_spider

第二步：定义字段（items.py）

编辑 lagou_spider/lagou_spider/items.py：

import scrapy

class LagouSpiderItem(scrapy.Item):
    position = scrapy.Field()
    company = scrapy.Field()
    salary = scrapy.Field()
    city = scrapy.Field()
    exp = scrapy.Field()
    edu = scrapy.Field()
    company_size = scrapy.Field()

第三步：创建爬虫文件

cd lagou_spider/lagou_spider/spiders
touch lagou.py  # Windows 用户用编辑器创建 lagou.py 文件

编辑 lagou.py：

import scrapy
import json
from lagou_spider.items import LagouSpiderItem

class LagouSpider(scrapy.Spider):
    name = 'lagou'
    allowed_domains = ['lagou.com']
    start_urls = ['https://www.lagou.com/jobs/list_python']

    def start_requests(self):
        for page in range(1, 6):  # 抓取前 5 页
            url = 'https://www.lagou.com/jobs/positionAjax.json?needAddtionalResult=false'
            headers = {
                'Referer': 'https://www.lagou.com/jobs/list_python',
                'User-Agent': 'Mozilla/5.0',
                'Content-Type': 'application/x-www-form-urlencoded;charset=UTF-8',
            }
            data = {
                'first': 'true' if page == 1 else 'false',
                'pn': str(page),
                'kd': 'python'
            }
            yield scrapy.FormRequest(
                url=url,
                formdata=data,
                headers=headers,
                callback=self.parse
            )

    def parse(self, response):
        data = json.loads(response.text)
        jobs = data['content']['positionResult']['result']
        for job in jobs:
            item = LagouSpiderItem()
            item['position'] = job['positionName']
            item['company'] = job['companyFullName']
            item['salary'] = job['salary']
            item['city'] = job['city']
            item['exp'] = job['workYear']
            item['edu'] = job['education']
            item['company_size'] = job['companySize']
            yield item

第四步：配置 pipeline 保存 CSV

编辑**lagou_spider/lagou_spider/pipelines.py：**

import csv

class CsvPipeline:
    def open_spider(self, spider):
        self.file = open('lagou_jobs.csv', 'w', newline='', encoding='utf-8-sig')
        self.writer = csv.writer(self.file)
        self.writer.writerow(['职位', '公司', '薪资', '城市', '经验', '学历', '公司规模'])

    def process_item(self, item, spider):
        self.writer.writerow([
            item['position'],
            item['company'],
            item['salary'],
            item['city'],
            item['exp'],
            item['edu'],
            item['company_size']
        ])
        return item

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

第五步：修改配置 settings.py

编辑 lagou_spider/lagou_spider/settings.py，添加或修改：

ROBOTSTXT_OBEY = False
DOWNLOAD_DELAY = 1.5  # 降低请求频率，防止封 IP
DEFAULT_REQUEST_HEADERS = {
    'User-Agent': 'Mozilla/5.0'
}
ITEM_PIPELINES = {
    'lagou_spider.pipelines.CsvPipeline': 300,
}

第六步：运行爬虫

在终端中运行：

scrapy crawl lagou

第七步：查看结果（lagou_jobs.csv）

输出示例（CSV 文件）：

职位	公司	薪资	城市	经验	学历	公司规模
Python开发工程师	字节跳动	15k-30k	北京	3-5年	本科	10000人以上
后端Python工程师	腾讯	20k-40k	深圳	5-10年	本科	5000-10000人

项目结构参考

lagou_spider/
├── scrapy.cfg
├── lagou_spider/
│   ├── __init__.py
│   ├── items.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders/
│       └── lagou.py

注意事项

问题	说明
某勾有反爬	添加 DOWNLOAD_DELAY，5 页以内一般不封
接口变化	抓的是 JSON 接口，稳定性比页面 HTML 好
抓太多	IP 会被封，建议加代理池后使用
数据为空	设置 Referer + UA + Content-Type 后就正常了

后续可拓展功能

功能	方法
添加代理池	中间件 process_request() 设置
分布式	用 scrapy-redis 实现
存 MongoDB	改 pipeline 用 pymongo 写入
接入前端展示	输出 JSON/数据库配合前端页面展示