使用 Scrapy 抓取网页数据

1. Scrapy 简介

Scrapy 是一个流行的 Python 爬虫框架，提供了强大的工具和灵活的扩展机制，用于高效抓取和处理网页数据。它支持异步 I/O，速度快且资源消耗低，非常适合大规模爬取任务。

---

2. 安装 Scrapy

确保你的 Python 环境版本在 3.7 或以上。

使用 pip 安装：

pip install scrapy

验证安装：

scrapy version

---

3. 创建 Scrapy 项目

创建一个新的 Scrapy 项目：

scrapy startproject myproject

目录结构：

myproject/
    scrapy.cfg
    myproject/
        __init__.py
        items.py
        middlewares.py
        pipelines.py
        settings.py
        spiders/
            __init__.py

---

4. 编写第一个爬虫

进入项目目录并生成爬虫：

scrapy genspider example example.com

生成的文件 spiders/example.py：

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    allowed_domains = ['example.com']
    start_urls = ['http://example.com']

    def parse(self, response):
        self.log('Visited: ' + response.url)

运行爬虫：

scrapy crawl example

---

5. 提取数据：XPath 与 CSS 选择器

Scrapy 支持 XPath 和 CSS 选择器用于解析 HTML。以下是两种选择器的简单对比：

XPath 示例：

titles = response.xpath('//h1/text()').getall()

CSS 示例：

titles = response.css('h1::text').getall()

常用方法：

• get(): 获取单个匹配的内容。
• getall(): 获取所有匹配的内容。
• extract_first(): 等价于 .get()。
• extract(): 等价于 .getall()。

---

6. 保存数据

Scrapy 支持将数据导出为 JSON、CSV、XML 等格式。

在终端中导出数据：

scrapy crawl example -o output.json

将数据存储到管道： 编辑 pipelines.py 文件：

class MyProjectPipeline:

    def process_item(self, item, spider):

        with open('output.txt', 'a') as f:

            f.write(str(item) + '\n')

        return item

在 settings.py 中启用管道：

ITEM_PIPELINES = { 'myproject.pipelines.MyProjectPipeline': 300, }

---

7. 处理动态加载的页面

许多现代网站使用 JavaScript 动态渲染内容，Scrapy 默认无法处理这种情况。可以结合以下工具：

Scrapy-Splash：

• 安装：

  pip install scrapy-splash

• 配置： 在 settings.py 中添加：

  SPLASH_URL = 'http://localhost:8050'
  DOWNLOADER_MIDDLEWARES = {
      'scrapy_splash.SplashCookiesMiddleware': 723,
      'scrapy_splash.SplashMiddleware': 725,
      'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 810,
  }
  DUPEFILTER_CLASS = 'scrapy_splash.SplashAwareDupeFilter'
  

• 示例代码：

  from scrapy_splash import SplashRequest
  
  class ExampleSpider(scrapy.Spider):
      name = 'example'
      start_urls = ['http://example.com']
  
      def start_requests(self):
          for url in self.start_urls:
              yield SplashRequest(url, self.parse, args={'wait': 3})
  
      def parse(self, response):
          self.log(response.text)
  

Playwright：

• 安装：

  pip install scrapy-playwright

• 示例代码：

  class ExampleSpider(scrapy.Spider):
      name = 'example'
  
      def start_requests(self):
          yield scrapy.Request(
              url='http://example.com',
              meta={'playwright': True}
          )
  
      def parse(self, response):
          self.log(response.text)
  

  ---

  8. 反爬策略与解决方法

• 设置 User-Agent： 在 settings.py 中添加：

  USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'

• 处理 Cookies： Scrapy 支持自动管理 Cookies，也可以手动设置：

  yield scrapy.Request(url, cookies={'key': 'value'})

• 请求头伪装：

  headers = {

      'User-Agent': 'Your User-Agent',

      'Referer': 'http://example.com'

  }

  yield scrapy.Request(url, headers=headers)

• 降低爬取速度：

  DOWNLOAD_DELAY = 2

---

9. 进阶技巧

• 多层解析： 如果页面需要多次请求：

  def parse(self, response): 
      links = response.xpath('//a/@href').getall() 
      for link in links: 
          yield response.follow(link, self.parse_detail) 
  def parse_detail(self, response): 
      self.log(response.url)

• 使用代理：

  PROXY = 'http://your_proxy'

  yield scrapy.Request(url, meta={'proxy': PROXY})

• 分布式爬取： 使用 Scrapy + Redis 实现分布式爬虫。

---

10. 调试与测试

• 调试 XPath 或 CSS： 在浏览器开发者工具的 Console 中测试：

  $x('//h1/text()') // XPath

  document.querySelectorAll('h1') // CSS

• Scrapy Shell： 启动交互式调试：

  scrapy shell 'http://example.com'

11. 总结

Scrapy 是一个非常强大的爬虫框架，适合从简单的静态页面到复杂的动态加载内容的抓取需求。通过不断优化爬虫的结构和策略，可以更高效地完成数据采集任务。

• 多层解析： 如果页面需要多次请求：

  def parse(self, response):
      links = response.xpath('//a/@href').getall()
      for link in links:
          yield response.follow(link, self.parse_detail)
  
  def parse_detail(self, response):
      self.log(response.url)
  

• 使用代理：

  PROXY = 'http://your_proxy'

  yield scrapy.Request(url, meta={'proxy': PROXY})

• 分布式爬取： 使用 Scrapy + Redis 实现分布式爬虫。

• 调试 XPath 或 CSS： 在浏览器开发者工具的 Console 中测试：

  // XPath document.querySelectorAll('h1') // CSS

  $x('//h1/text()')

• Scrapy Shell： 启动交互式调试：

  scrapy shell 'http://example.com'