Python 爬虫入门（九）：Scrapy安装及使用「详细介绍」

前言

• 欢迎来到“Python 爬虫入门”系列的第九篇文章。本篇文章将深入介绍 Scrapy 的安装及使用。Scrapy 是一个广泛使用的爬虫框架，其强大的功能和灵活的扩展性使得它在数据抓取领域占有重要地位。
• 本文将从 Scrapy 的安装步骤开始，详细介绍其基本使用方法，包括创建项目、编写爬虫、解析数据、存储数据等内容。通过本篇文章的学习，你将能够掌握使用 Scrapy 进行高效数据抓取的技能。

1. Scrapy 简介

Scrapy 是一个用于抓取 Web 数据的应用框架。与其他 Python 爬虫库（如 BeautifulSoup 和 requests）相比，Scrapy 提供了更高的抓取速度、更强的扩展性和更便捷的项目管理方式。Scrapy 框架包含了数据抓取、处理和存储的一整套工具，使得用户能够更高效地完成爬虫任务。

2. Scrapy 的安装

2.1 环境准备

在安装 Scrapy 之前，请确保你的计算机已经安装了以下环境：

1. Python 3.6 及以上版本
2. pip 包管理工具

2.2 安装 Scrapy

使用 pip 命令可以方便地安装 Scrapy：

pip install scrapy

安装完成后，可以通过以下命令验证 Scrapy 是否安装成功：

scrapy

如果安装成功，你将看到 Scrapy 的版本信息。

3. 创建 Scrapy 项目

3.1 创建项目

在命令行中，导航到你希望存放项目的目录，并运行以下命令来创建一个新的 Scrapy 项目：

scrapy startproject myproject

此命令将在当前目录下创建一个名为 myproject 的文件夹，文件夹结构如下：

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

3.2 项目结构简介

• scrapy.cfg: Scrapy 项目的配置文件。
• myproject/: 项目的 Python 模块，之后会在此加入代码。
• items.py: 定义爬取的数据结构。
• middlewares.py: 定义 Scrapy 中间件。
• pipelines.py: 定义数据处理管道。
• settings.py: 定义项目的配置。
• spiders/: 存放爬虫代码的目录。

4. 编写爬虫

4.1 创建爬虫

在 spiders/ 目录下创建一个新的爬虫文件，例如 example_spider.py，并编写以下内容：

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    start_urls = ['https://jsonplaceholder.typicode.com/posts']

    def parse(self, response):
        for post in response.json():
            yield {
                'userId': post['userId'],
                'id': post['id'],
                'title': post['title'],
                'body': post['body']
            }

4.2 解析数据

在 parse 方法中，我们解析响应内容并提取所需的数据。response.json() 方法将响应内容解析为 JSON 格式，便于我们提取数据。

4.3 运行爬虫

在项目的根目录下，运行以下命令来启动爬虫：

scrapy crawl example

如果一切正常，你将看到爬虫开始抓取数据，并在控制台输出抓取到的内容。

5. 存储数据

5.1 存储为 JSON 文件

Scrapy 提供了多种存储抓取数据的方法，这里介绍将数据存储为 JSON 文件的方法。在命令行中运行以下命令：

scrapy crawl example -o output.json

此命令将抓取的数据保存到 output.json 文件中。

5.2 存储到数据库

我们也可以将抓取的数据存储到数据库中，例如 MongoDB 或 MySQL。在 pipelines.py 文件中编写数据存储的逻辑。

5.2.1 MongoDB

首先，安装 pymongo 库：

pip install pymongo

然后在 pipelines.py 中添加以下代码：

import pymongo

class MongoPipeline:

    def __init__(self):
        self.client = pymongo.MongoClient('localhost', 27017)
        self.db = self.client['scrapy_db']
        self.collection = self.db['scrapy_collection']

    def process_item(self, item, spider):
        self.collection.insert_one(dict(item))
        return item

在 settings.py 中启用该管道：

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

6. 处理请求和响应

6.1 请求头设置

为了模拟真实用户的浏览行为，我们可以在爬虫中设置请求头。在爬虫文件中添加 headers 属性：

class ExampleSpider(scrapy.Spider):
    name = 'example'
    start_urls = ['https://jsonplaceholder.typicode.com/posts']
    headers = {
        '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'
    }

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(url, headers=self.headers, callback=self.parse)

6.2 处理响应

在 parse 方法中，我们可以根据需要处理响应数据。这里的示例中，我们将 JSON 数据解析并提取需要的字段。

7. 高级功能

7.1 使用中间件

Scrapy 中间件可以在请求和响应之间执行一些自定义的处理逻辑。例如，我们可以使用中间件来处理请求的重试逻辑、设置代理等。

在 middlewares.py 中添加以下示例代码：

from scrapy import signals

class CustomMiddleware:

    @classmethod
    def from_crawler(cls, crawler):
        s = cls()
        crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
        return s

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

    def process_response(self, request, response, spider):
        return response

    def process_exception(self, request, exception, spider):
        pass

    def spider_opened(self, spider):
        spider.logger.info('Spider opened: %s' % spider.name)

在 settings.py 中启用中间件：

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.CustomMiddleware': 543,
}

7.2 使用代理

有时我们需要通过代理来抓取数据。Scrapy 支持通过中间件设置代理。在 middlewares.py 中添加以下代码：

class ProxyMiddleware:

    def process_request(self, request, spider):
        request.meta['proxy'] = 'http://your_proxy_address'

在 settings.py 中启用该代理中间件：

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.ProxyMiddleware': 543,
}

7.3 使用管道处理数据

数据管道用于处理和存储抓取的数据。在 pipelines.py 中定义数据管道，并在 settings.py 中启用它。

8. 常见问题及解决方法

8.1 爬虫被封禁

当我们抓取某些网站时，可能会遇到 IP 被封禁的情况。为了解决这个问题，我们可以使用代理轮换、设置合理的抓取间隔时间等方法。

8.2 数据解析错误

在解析数据时，可能会遇到数据结构变化或数据格式不匹配的情况。为了应对这些问题，我们可以在解析过程中加入异常处理机制，确保程序在遇到错误时不会崩溃。

8.3 数据存储失败

在将数据存储到数据库或文件时，可能会遇到存储失败的情况。常见的原因包括数据库连接问题、数据格式不匹配等。通过日志记录和异常处理，可以更好地定位和解决这些问题。

总结

通过本文的学习，我们深入了解了 Scrapy 的安装和使用方法。Scrapy 作为一个功能强大的爬虫框架，能够帮助我们高效地抓取和处理网页数据。从项目创建、编写爬虫、解析数据到数据存储，我们一步步学习了 Scrapy 的基本使用方法，并介绍了一些高级功能和常见问题的解决方法。