Python Scrapy 入门教程：从零学会抓取和解析网页数据

很多 Python 初学者学完基础语法后，都会遇到一个很实际的问题：怎么把网页里的数据稳定地提取下来，变成自己能处理的结构化数据？

如果你只是偶尔抓一个页面，用 requests + BeautifulSoup 当然可以；但当你想抓取多个页面、自动跟进链接、统一清洗字段、导出成 JSON 或 CSV，甚至把数据存进数据库时，Scrapy 会明显更省事。

Scrapy 是 Python 生态里非常经典的爬虫框架。它不只是"下载网页源码"，而是把发请求、收响应、解析数据、跟踪链接、导出结果、去重、限速、日志管理这一整套流程都组织好了。

这篇文章面向新手，目标很明确：

让你理解 Scrapy 是什么
带你从零创建一个 Scrapy 项目
学会抓取网页、解析字段、翻页采集、导出数据
告诉你 Scrapy 除了抓文章标题之外，还能做什么

学完后，你至少能独立写出一个基础可用的网页数据采集脚本。

1. Scrapy 是什么

Scrapy 是一个用于抓取网站并提取结构化数据的 Python 框架。

你可以把它理解成一个专门为"网页采集"准备好的工程化工具箱。相比只写一个简单脚本，Scrapy 的优势在于它已经帮你解决了很多重复问题，比如：

请求调度
并发抓取
自动跟踪链接
页面解析
数据导出
日志输出
重试与超时
去重和限速

也就是说，Scrapy 更适合做"持续抓取"和"多页面采集"，而不只是一次性的实验代码。

2. Scrapy 适合哪些场景

对新手来说，最适合先用 Scrapy 解决的，通常是下面这些任务：

抓取资讯站点的标题、链接、发布时间
采集商品列表页中的名称、价格、销量、详情页地址
批量抓取博客、论坛、文档站中的内容摘要
采集招聘网站中的岗位名称、城市、薪资范围
采集分页数据并导出成 JSON、CSV、Excel 可再处理的数据

如果你的目标是"从很多网页里提取重复结构的数据"，Scrapy 基本就是合适的工具。

3. Scrapy 和 `requests + BeautifulSoup` 有什么区别

很多新手会问：我已经会 requests 和 BeautifulSoup，为什么还要学 Scrapy？

可以这样理解：

requests 负责发请求
BeautifulSoup 负责解析 HTML
Scrapy 则把请求、解析、调度、导出、翻页、日志这些能力打包成了一个框架

如果只是抓 1 个页面，requests + BeautifulSoup 更轻量。

如果要抓几十页、几百页，或者想要把项目组织得更清晰、可复用、可扩展，Scrapy 往往更合适。

4. 安装 Scrapy

先确保你已经安装了 Python。然后直接执行：

bash 复制代码

pip install scrapy

安装完成后，可以检查版本：

bash 复制代码

scrapy version

如果命令能正常输出版本信息，说明 Scrapy 已经安装成功。

5. 创建第一个 Scrapy 项目

Scrapy 通常不是单文件脚本的写法，而是按项目组织。

先创建项目：

bash 复制代码

scrapy startproject myspider

进入项目目录：

bash 复制代码

cd myspider

你会看到类似这样的结构：

text 复制代码

myspider/
├── scrapy.cfg
└── myspider/
    ├── __init__.py
    ├── items.py
    ├── middlewares.py
    ├── pipelines.py
    ├── settings.py
    └── spiders/

几个最常见的文件先记住：

spiders/：放爬虫代码
items.py：定义要采集的数据字段
pipelines.py：对采集结果做清洗、保存、去重等处理
settings.py：配置请求头、并发、延时、导出编码等

刚开始你不需要把每个文件都学透，先会写 spiders/ 里的爬虫就够了。

6. 先写一个最小可运行的爬虫

下面我们用一个经典练习站点 https://quotes.toscrape.com/ 来演示。这个站点专门给爬虫教程使用，页面结构简单，很适合新手练手。

在 spiders 目录下新建文件 quotes_spider.py：

python 复制代码

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = ["https://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("small.author::text").get(),
                "tags": quote.css("div.tags a.tag::text").getall(),
            }

这段代码先不要急着背，先理解它在做什么：

name 是爬虫名字，后面运行时要用
start_urls 是起始页面列表
parse() 是默认解析函数
response.css(...) 用 CSS 选择器定位网页元素
yield 把采集到的一条数据交给 Scrapy

7. 运行爬虫并查看结果

在项目根目录执行：

bash 复制代码

scrapy crawl quotes

如果你想把结果直接导出成 JSON：

bash 复制代码

scrapy crawl quotes -O quotes.json

导出成 CSV：

bash 复制代码

scrapy crawl quotes -O quotes.csv

这一步非常重要，因为很多新手第一次接触 Scrapy 时，会突然意识到：原来我不用自己手写文件保存逻辑，Scrapy 已经帮我做好了。

8. `response` 到底是什么

在 parse(self, response) 里，response 就是服务器返回的页面响应对象。

你经常会用到这些能力：

python 复制代码

response.url
response.status
response.text
response.css(...)
response.xpath(...)

比如：

python 复制代码

def parse(self, response):
    print(response.url)
    print(response.status)

你可以把它理解成：请求完成后，Scrapy 把网页内容和相关信息都封装进了 response，供你继续解析。

9. 用 CSS 选择器提取数据

Scrapy 对 CSS 选择器支持很好，新手建议优先学这个。

还是看刚才那段代码：

python 复制代码

quote.css("span.text::text").get()
quote.css("small.author::text").get()
quote.css("div.tags a.tag::text").getall()

这里有两个高频方法：

.get()：取第一个匹配结果
.getall()：取所有匹配结果并返回列表

常见写法：

python 复制代码

response.css("title::text").get()
response.css("a::attr(href)").getall()
response.css("img::attr(src)").getall()

如果页面里你想抓的是文本，就常用 ::text；如果你想抓链接或图片地址，就常用 ::attr(...)。

10. 也可以用 XPath

Scrapy 同样支持 XPath：

python 复制代码

quote.xpath('.//span[@class="text"]/text()').get()
quote.xpath('.//small[@class="author"]/text()').get()
quote.xpath('.//div[@class="tags"]/a[@class="tag"]/text()').getall()

那到底该学 CSS 还是 XPath？

我的建议是：

入门先用 CSS，语法更短
遇到复杂层级、兄弟节点、条件匹配时，再补 XPath

只会其中一种，也已经能做很多事。

11. 学会翻页抓取

单页采集只是开始，真正实用的场景通常都要翻页。

在 quotes.toscrape.com 首页底部有"下一页"链接，我们可以继续跟进：

python 复制代码

import scrapy


class QuotesSpider(scrapy.Spider):
    name = "quotes"
    start_urls = ["https://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("small.author::text").get(),
                "tags": quote.css("div.tags a.tag::text").getall(),
            }

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

这里最关键的一句是：

python 复制代码

yield response.follow(next_page, callback=self.parse)

它的意思是：继续请求下一页，请求完成后仍然交给 parse() 处理。

这就是 Scrapy 很舒服的地方之一。你不需要自己手工拼接完整链接，也不用自己写复杂的循环控制。

12. 定义 Item，让数据结构更清晰

直接 yield {} 当然可以，但项目稍微大一点之后，定义 Item 会更规范。

先修改 items.py：

python 复制代码

import scrapy


class QuoteItem(scrapy.Item):
    text = scrapy.Field()
    author = scrapy.Field()
    tags = scrapy.Field()

然后在爬虫中使用：

python 复制代码

import scrapy
from myspider.items import QuoteItem


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

    def parse(self, response):
        for quote in response.css("div.quote"):
            item = QuoteItem()
            item["text"] = quote.css("span.text::text").get()
            item["author"] = quote.css("small.author::text").get()
            item["tags"] = quote.css("div.tags a.tag::text").getall()
            yield item

Item 的好处是字段边界更清楚，后面写清洗逻辑、保存逻辑时也更统一。

13. 用 Pipeline 清洗数据

很多网页抓下来之后，并不是马上就能直接用。常见问题包括：

文本前后有空格
某些字段为空
日期格式不统一
同一条数据重复出现

这时就可以把清洗逻辑放进 pipelines.py。

例如：

python 复制代码

class MyspiderPipeline:
    def process_item(self, item, spider):
        if item.get("text"):
            item["text"] = item["text"].strip()

        if item.get("author"):
            item["author"] = item["author"].strip()

        item["tags"] = [tag.strip() for tag in item.get("tags", [])]
        return item

然后去 settings.py 启用它：

python 复制代码

ITEM_PIPELINES = {
    "myspider.pipelines.MyspiderPipeline": 300,
}

新手可以先记住一句话：Spider 负责抓，Pipeline 负责洗。

14. 常见配置项：新手最该先知道哪些

Scrapy 很强，但默认并不是"想怎么抓就怎么抓"。你至少应该知道下面几个配置项。

14.1 设置请求标识

有些网站会根据请求头判断请求来源。你可以在 settings.py 里设置：

python 复制代码

USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0 Safari/537.36"

14.2 控制抓取速度

不要对目标网站发太快的请求。新手阶段建议至少加一点延时：

python 复制代码

DOWNLOAD_DELAY = 1

14.3 关闭 `robots.txt` 限制前先理解规则

很多教程会写：

python 复制代码

ROBOTSTXT_OBEY = False

但你需要先知道这意味着什么。robots.txt 是网站声明抓取规则的地方。是否遵守，要根据你的使用场景、目标站点规则和合规要求来判断。新手不要一上来就默认无视规则。

14.4 导出中文时避免乱码

如果你要导出中文 JSON，经常会加：

python 复制代码

FEED_EXPORT_ENCODING = "utf-8"

这能减少导出文件中文乱码的问题。

15. 一个更像真实项目的完整示例

下面给你一个稍完整一点的爬虫，把抓取、翻页和字段提取放在一起：

python 复制代码

import scrapy


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

    def parse(self, response):
        for quote in response.css("div.quote"):
            yield {
                "text": quote.css("span.text::text").get(default="").strip(),
                "author": quote.css("small.author::text").get(default="").strip(),
                "tags": quote.css("div.tags a.tag::text").getall(),
                "detail_url": response.urljoin(
                    quote.css("span a::attr(href)").get(default="")
                ),
            }

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

这个版本已经覆盖了初学者最常用的几个动作：

进入起始页
遍历列表块
提取文本、作者、标签、详情链接
继续翻页

16. 新手最容易踩的坑

刚学 Scrapy 时，下面这些问题非常常见：

16.1 选择器写对了，但取不到数据

原因可能包括：

页面结构和你想的不一样
内容在 JavaScript 运行后才出现
你选中的节点层级不对
属性名或类名写错

先做两件事：

在浏览器开发者工具里重新检查元素
用 scrapy shell 网址 进入交互环境测试选择器

例如：

bash 复制代码

scrapy shell https://quotes.toscrape.com/

进入后可以直接测试：

python 复制代码

response.css("title::text").get()

这是定位问题最快的方法之一。

16.2 页面明明能打开，但 Scrapy 抓不到完整内容

这通常是因为目标页面的数据是前端 JavaScript 动态渲染出来的，而 Scrapy 默认抓到的是原始 HTML 响应。

这时你有几种思路：

先在浏览器网络面板里找真实接口，直接抓接口数据
配合 scrapy-playwright 处理需要渲染的页面
对确实只依赖静态 HTML 的站点，优先直接用 Scrapy

对新手来说，先学会抓静态页面，再处理动态页面，学习曲线会平很多。

16.3 导出的数据重复

原因往往是：

翻页逻辑写错
同一个链接被多次跟进
详情页和列表页重复产出同一条记录

解决思路通常是：

检查 next_page 逻辑
用唯一字段去重
在 Pipeline 中做重复判断

17. Scrapy 除了抓网页标题，还能做什么

很多新手误以为 Scrapy 只能"抓文章标题"。其实它能做的事情远不止这些。

17.1 采集结构化业务数据

比如：

商品名称、价格、库存、评分
招聘岗位、地点、经验要求、薪资区间
博客标题、作者、发布时间、标签
课程名称、章节、讲师、简介

17.2 批量跟进详情页

很多网站首页只给列表摘要，真正的详细信息在详情页里。Scrapy 很适合这种"列表页拿链接，再进入详情页补字段"的流程。

17.3 构建数据清洗流水线

抓取不是终点。你可以在 Scrapy 里顺手做：

文本清洗
字段标准化
去重
时间格式转换
金额单位统一

17.4 导出到多种格式

Scrapy 原生就支持把数据导出为：

JSON
CSV
JSON Lines
XML

如果你自己再扩展 Pipeline，还可以保存到：

MySQL
PostgreSQL
MongoDB
Redis
Elasticsearch

17.5 做定时采集任务

Scrapy 项目很适合接入定时任务，比如每天抓一次新闻、每小时抓一次价格、每周抓一次岗位变化。它不只是"写完跑一次"的脚本，也可以发展成长期运行的数据采集工程。

18. 学 Scrapy 时要有的正确认知

Scrapy 很强，但它不是万能的。

你要早点建立这几个认知：

它擅长静态页面和结构化采集
它不负责替你绕过网站风控
它不保证所有 JavaScript 页面都能直接抓
它是工程框架，不只是几行演示代码

也就是说，学习 Scrapy 的重点不是死记 API，而是建立一个完整思路：

找页面结构
写选择器
提取字段
跟进分页或详情页
清洗和保存结果

只要这个流程打通，后面你抓不同网站时变化的主要只是选择器和字段，而不是整个方法论。

19. 给新手的学习路线

如果你刚开始学 Scrapy，我建议按下面顺序练习：

先抓单页标题、链接、文本
再练列表页循环提取
再加翻页
再进入详情页补充字段
再学习 Item、Pipeline、Settings
最后再接触动态渲染页面和数据库存储

不要一上来就挑战特别复杂的网站。先把简单站点做通，成就感会高很多，理解也更扎实。

20. 总结

如果你想系统学习 Python 爬虫，Scrapy 是非常值得投入时间的框架。

它的价值不只是"能抓网页"，而是把网页采集这件事从零散脚本提升成了一个更规范、更稳定、可扩展的工程流程。对新手来说，一旦你学会了：

创建项目
编写 Spider
用 CSS 或 XPath 解析字段
实现翻页抓取
用 Pipeline 清洗数据
导出结果

你就已经具备了独立完成基础网页数据采集任务的能力。

最后提醒一句：在实际抓取网站数据时，一定要关注目标网站的使用规则、访问频率和合规要求。技术能力越强，越要有边界意识。

如果你刚准备开始动手，最推荐的练习方式就是自己创建一个 Scrapy 项目，抓取 quotes.toscrape.com 这样的练习站点，把本文里的例子完整跑一遍。只要你亲手跑通一次，Scrapy 就不会再显得抽象。

Python Scrapy 入门教程：从零学会抓取和解析网页数据