一、Scrapy框架概述

1.1 什么是Scrapy

Scrapy是一个基于Twisted的异步网络爬虫框架，具有以下特性：

• 内置数据提取器（Selector）

• 完善的中间件扩展体系

• 自动的请求调度机制

• 支持多种数据存储方式

1.2 Scrapy vs Requests

特性	Scrapy	Requests+BS4
并发能力	异步高性能	同步单线程
项目结构	标准化目录	自由脚本结构
扩展性	中间件系统	需手动实现
适用场景	大型爬虫项目	小规模数据采集

二、环境搭建

2.1 安装Scrapy

pip install scrapy
# 验证安装
scrapy version  # 应输出版本号如2.11.0

2.2 创建项目

scrapy startproject book_scraper
cd book_scraper
scrapy genspider book_spider books.toscrape.com

生成的项目结构：

book_scraper/
├── scrapy.cfg
└── book_scraper/
    ├── __init__.py
    ├── items.py       # 数据容器定义
    ├── middlewares.py # 中间件配置
    ├── pipelines.py   # 数据管道
    ├── settings.py    # 全局配置
    └── spiders/       # 爬虫目录
        └── book_spider.py

三、核心组件详解

3.1 Spider类（爬虫核心）

python

复制

import scrapy

class BookSpider(scrapy.Spider):
    name = "book_spider"  # 爬虫唯一标识
    allowed_domains = ["books.toscrape.com"]
    start_urls = ["http://books.toscrape.com/"]

    def parse(self, response):
        # 解析逻辑
        passimport scrapy

class BookSpider(scrapy.Spider):
    name = "book_spider"  # 爬虫唯一标识
    allowed_domains = ["books.toscrape.com"]
    start_urls = ["http://books.toscrape.com/"]

    def parse(self, response):
        # 解析逻辑
        pass

3.2 Item类（数据结构）

# items.py
import scrapy

class BookItem(scrapy.Item):
    title = scrapy.Field()
    price = scrapy.Field()
    rating = scrapy.Field()
    stock = scrapy.Field()

3.3 Pipeline（数据处理管道）

# pipelines.py
class BookPipeline:
    def process_item(self, item, spider):
        # 数据清洗/存储逻辑
        if item['price']:
            item['price'] = float(item['price'].replace('£', ''))
        return item

3.4 Middleware（中间件系统）

# middlewares.py
class RandomDelayMiddleware:
    def process_request(self, request, spider):
        # 设置随机请求延迟(0.5-1.5秒)
        delay = random.uniform(0.5, 1.5)
        request.meta['download_timeout'] = delay

四、完整爬虫实战

4.1 编写爬虫逻辑

# spiders/book_spider.py
class BookSpider(scrapy.Spider):
    name = 'book_spider'
    
    def start_requests(self):
        urls = [f"http://books.toscrape.com/catalogue/page-{i}.html" 
                for i in range(1,51)]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)

    def parse(self, response):
        books = response.css('article.product_pod')
        for book in books:
            item = BookItem()
            item['title'] = book.css('h3 a::attr(title)').get()
            item['price'] = book.css('p.price_color::text').get()
            item['rating'] = book.css('p.star-rating::attr(class)').get().split()[-1]
            yield item

        # 自动翻页（已由start_requests实现）

4.2 配置settings.py

# 启用Pipeline
ITEM_PIPELINES = {
   'book_scraper.pipelines.BookPipeline': 300,
}

# 遵守robots协议
ROBOTSTXT_OBEY = True  

# 并发控制
CONCURRENT_REQUESTS = 16  
DOWNLOAD_DELAY = 0.5

4.3 运行爬虫

scrapy crawl book_spider -o books.csv
# 支持导出格式：json, csv, xml等

五、高级功能扩展

5.1 动态网页处理（Selenium中间件）

# middlewares.py
from selenium import webdriver

class SeleniumMiddleware:
    def process_request(self, request, spider):
        if request.meta.get('selenium'):
            driver = webdriver.Chrome()
            driver.get(request.url)
            html = driver.page_source
            driver.quit()
            return HtmlResponse(url=request.url, body=html, encoding='utf-8')

5.2 分布式爬虫（Redis集成）

# settings.py
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
REDIS_URL = 'redis://localhost:6379'

5.3 自动限速算法

# settings.py
AUTOTHROTTLE_ENABLED = True
AUTOTHROTTLE_START_DELAY = 5.0
AUTOTHROTTLE_MAX_DELAY = 60.0

六、调试技巧

6.1 Scrapy Shell

scrapy shell "http://books.toscrape.com"
>>> response.css('title::text').get()
'All products | Books to Scrape - Sandbox'

6.2 日志分级

scrapy crawl book_spider -L INFO  # DEBUG/INFO/WARNING/ERROR

6.3 中间件断点调试

# 在middleware中插入调试代码
import pdb; pdb.set_trace()

七、最佳实践

1. 遵守robots.txt：设置ROBOTSTXT_OBEY = True

2. 设置User-Agent：使用随机User-Agent中间件

3. 异常处理：覆盖spider_error回调

4. 数据去重：使用scrapy-deltafetch扩展

5. 监控报警：集成ScrapydWeb可视化面板

八、常见问题解答

Q1：如何处理登录验证？

# 在Spider中实现登录
def start_requests(self):
    return [scrapy.FormRequest(
        'https://example.com/login',
        formdata={'user': 'admin', 'pass': 'secret'},
        callback=self.after_login
    )]

Q2：如何避免被封IP？

• 使用代理中间件

• 设置合理的DOWNLOAD_DELAY

• 使用scrapy-rotating-proxies扩展

Q3：如何抓取JavaScript渲染的页面？

• 使用Selenium中间件

• 集成Splash服务

• 使用scrapy-playwright

---

本文技术要点：

1. Scrapy框架的组件化设计

2. 可扩展的中间件系统

3. 生产级爬虫的最佳实践

4. 分布式爬虫架构基础

5. 常见反爬应对策略

下一步学习建议：

• 研究Scrapy源码理解运行机制

• 学习Scrapy-Redis实现分布式

• 实践反反爬技术（验证码识别、指纹伪装）