每天一个Python库:Scrapy爬虫,从零搭建数据抓取引擎
itomcoil 2025-07-10 15:59 16 浏览
前言:Scrapy是啥?
Scrapy 是 Python 一个非常强大的爬虫框架,特点是:
数据抓取效率极高
支持分层设计:代码组织清晰
内置队列、内置缓存
支持代理/重试/反爬方案
一句话:用于构建大规模、高性能爬虫系统的首选框架。
学习本来就不是一蹴而就的事,不过只要你肯练、敢用,坚持,你一定能看到变化!
快速启动Scrapy项目
步骤1:安装Scrapy
pip3 install scrapy
步骤2:创建Scrapy项目
scrapy startproject quotesbotcd quotesbot
目录结构:
实战案例:爬取quotes.toscrape.com
步骤3:创建spider
scrapy genspider quotes quotes.toscrape.com
步骤4:修改spiders/quotes.py
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project :Fish
@File :D21.py
@Date :2025/6/22 20:24
@Author : malijie
"""
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(),
}
步骤5:启动爬虫
在quotesbot下执行
scrapy crawl quotes -o quotes.json
输出格式支持
· JSON,CSV,XML
scrapy crawl quotes -o quotes.csv
scrapy crawl quotes -o quotes.xml
高阶技巧
1.添加缓存:避免重复爬取
HTTPCACHE_ENABLED = True
2.使用代理IP
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 1,
}
HTTP_PROXY = 'http://127.0.0.1:8080'
完整的settings.py
# Scrapy settings for quotesbotcd project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
# https://docs.scrapy.org/en/latest/topics/settings.html
# https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
# https://docs.scrapy.org/en/latest/topics/spider-middleware.html
BOT_NAME = "quotesbotcd"
SPIDER_MODULES = ["quotesbotcd.spiders"]
NEWSPIDER_MODULE = "quotesbotcd.spiders"
ADDONS = {}
# Crawl responsibly by identifying yourself (and your website) on the user-agent
# USER_AGENT = "quotesbotcd (+http://www.yourdomain.com)"
# Obey robots.txt rules
ROBOTSTXT_OBEY = True
# Configure maximum concurrent requests performed by Scrapy (default: 16)
# CONCURRENT_REQUESTS = 32
# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
# DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
# CONCURRENT_REQUESTS_PER_DOMAIN = 16
# CONCURRENT_REQUESTS_PER_IP = 16
# Disable cookies (enabled by default)
# COOKIES_ENABLED = False
# Disable Telnet Console (enabled by default)
# TELNETCONSOLE_ENABLED = False
# Override the default request headers:
# DEFAULT_REQUEST_HEADERS = {
# "Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
# "Accept-Language": "en",
# }
# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
# SPIDER_MIDDLEWARES = {
# "quotesbotcd.middlewares.QuotesbotcdSpiderMiddleware": 543,
# }
# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
# 使用代理IP
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 1,
}
HTTP_PROXY = 'http://127.0.0.1:8080'
# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
# EXTENSIONS = {
# "scrapy.extensions.telnet.TelnetConsole": None,
# }
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
"quotesbotcd.pipelines.MySQLPipeline": 300,
}
# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
# AUTOTHROTTLE_ENABLED = True
# The initial download delay
# AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
# AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
# AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
# AUTOTHROTTLE_DEBUG = False
# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
# 添加缓存:避免重复爬取
HTTPCACHE_ENABLED = True
# HTTPCACHE_EXPIRATION_SECS = 0
# HTTPCACHE_DIR = "httpcache"
# HTTPCACHE_IGNORE_HTTP_CODES = []
# HTTPCACHE_STORAGE = "scrapy.extensions.httpcache.FilesystemCacheStorage"
# Set settings whose default value is deprecated to a future-proof value
FEED_EXPORT_ENCODING = "utf-8"
3.输出到MySQL
使用经典的 pymysql + pipeline合作写入数据库,此处不展开,需要可单独出文。
pandas读取爬取结果效果图
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project :Fish
@File :test.py
@Date :2025/6/22 20:54
@Author : malijie
"""
import pandas as pd
df = pd.read_json("quotes.json")
print(df.head())
实际场景
· 日志自动抓取
· 科研资料批量引用
· 网站评论/热度数据分析
· 网站价格监控
总结
Scrapy 是开发者和数据分析师的最好助手。开发效率高,解耦功能强,多项爬取一齐管理,能够快速打造一套完整的数据抓取系统。
下期预告
《每天一个 Python 库:httpx 异步请求实战,快速接口体验第一名!》
点赞收藏评论 支持更新,我会续续更新更多实用 Python 库和案例!
相关推荐
- Excel表格,100个常用函数_excel表格各种函数用法
-
1.SUM:求和函数2.AVERAGE:平均值函数3.MAX:最大值函数4.MIN:最小值函数5.COUNT:计数函数6.IF:条件函数7.VLOOKUP:垂直查找函数8.HLOOKU...
- 每天学一点Excel2010 (62)—Multinomial、Aggregate、Subtotal
-
138multinominal助记:英文的“多项式”类别:数学和三角语法:multinominal(number1,[number2],…)参数:1~255个参数number1必需。第1个数值参数...
- 182.人工智能——构建大模型应用_人工智能:模型与算法
-
一直认为人工智能的本质其实就是:算法+算力+大数据。算法的尽头是数学,算力是能源、而大数据则是人类共同智慧的而且是有限的宝贵资源,也是决定大模型的能力上限。人工智能不断的发展,也是人类文明进步的必然趋...
- Excel伽马函数GAMMA_伽马函数表怎么看
-
Gamma函数是阶乘函数在实数与复数上扩展的一类函数,通常写作Γ(x)。伽玛函数在分析学、概率论、离散数学、偏微分方程中有重要的作用,属于应用最广泛的函数之一函数公式如下伽玛函数满足递推关系Γ(N+1...
-
- 2.黎曼ζ函数与黎曼猜想_黎曼函数的作用
-
2.黎曼ζ函数与黎曼猜想那么这个让上帝如此吝啬的黎曼猜想究竟是一个什么样的猜想呢?在回答这个问题之前我们先得介绍一个函数:黎曼ζ函数(RiemannZeta-function)。这个函数...
-
2025-09-09 00:24 itomcoil
- 嵌入式C语言基础编程—5年程序员给你讲函数,你真的懂函数吗?
-
本文主要是对C基础编程关于函数的初步讲解,后续会深入讲解C高级相关的概念(C大神可先略过)。本人近期会陆续上传IT编程相关的资料和视频教程,可以关注一下互相交流:CC++Javapython...
- 进一步理解函数_解读函数
-
函数的定义和基本调用应该是比较容易理解的,但有很多细节可能令初学者困惑,包括参数传递、返回、函数命名、调用过程等,我们逐个介绍。1.参数传递有两类特殊类型的参数:数组和可变长度的参数。(1)数组数组作...
- 可以降低阶乘运算复杂度的Stirling公式
-
转发一个关于Stirling公式的推导方法:Wallis公式是关于圆周率的无穷乘积的公式,但Wallis公式中只有乘除运算,连开方都不需要,形式上十分简单。虽然Wallis公式对π的近似计算没有直接影...
- Agent杂谈:Agent的能力上下限及「Agent构建」核心技术栈调研分享~
-
2025年Agent技术持续演进,已从简单任务处理向具备独立规划、协作能力的智能系统转变。文章从系统设计视角出发,先梳理Agent的核心定义与架构框架,再深入分析决定其能力上下限的关键因素...
- 无炮塔的“S”坦克/Strv-103主战坦克
-
20世纪50年代,瑞典陆军为了对付当时苏联T-54坦克,着手研制了一种无炮塔坦克——“S”坦克(瑞典编号为Strv103),并于1967年正式投产。这种坦克具有创新的设计思想,打破了传统的设计方...
- shell——字符串操作_shell字符串处理命令
-
str="abc123abcABC"#计算字符串的长度echo${#str}#12exprlength$strexpr"$str":".*...
- XSS的两种攻击方式及五种防御方式
-
跨站脚本攻击指的是自己的网站运行了外部输入代码攻击原理是原本需要接受数据但是一段脚本放置在了数据中:该攻击方式能做什么?获取页面数据获取Cookies劫持前端逻辑发送请求到攻击者自己的网站实现资料的盗...
- C语言字符数组和字符串_c语言中的字符数组
-
用来存放字符的数组称为字符数组,例如:charc[10];字符数组也可以是二维或多维数组。例如:charc[5][10];字符数组也允许在定义时进行初始化,例如:charc[10]={'c',...
- Python 和 JS 有什么相似?_python跟js
-
Python是一门运用很广泛的语言,自动化脚本、爬虫,甚至在深度学习领域也都有Python的身影。作为一名前端开发者,也了解ES6中的很多特性借鉴自Python(比如默认参数、解构赋值、...
- 【python】装饰器的原理_python装饰器详细教程
-
装饰器的原理是利用了Python的函数特性,即函数可以作为参数传递给另一个函数,也可以作为另一个函数的返回值。装饰器本质上是一个接受一个函数作为参数,并返回一个新函数的函数。这个新函数通常会在执行原函...
- 一周热门
- 最近发表
- 标签列表
-
- ps图案在哪里 (33)
- super().__init__ (33)
- python 获取日期 (34)
- 0xa (36)
- super().__init__()详解 (33)
- python安装包在哪里找 (33)
- linux查看python版本信息 (35)
- python怎么改成中文 (35)
- php文件怎么在浏览器运行 (33)
- eval在python中的意思 (33)
- python安装opencv库 (35)
- python div (34)
- sticky css (33)
- python中random.randint()函数 (34)
- python去掉字符串中的指定字符 (33)
- python入门经典100题 (34)
- anaconda安装路径 (34)
- yield和return的区别 (33)
- 1到10的阶乘之和是多少 (35)
- python安装sklearn库 (33)
- dom和bom区别 (33)
- js 替换指定位置的字符 (33)
- python判断元素是否存在 (33)
- sorted key (33)
- shutil.copy() (33)