要实现网络爬虫，python 中最常用、功能强大的框架之一是 scrapy。1. 安装 scrapy 并创建项目：使用 pip install scrapy 安装，并通过 scrapy startproject myproject 创建项目；2. 编写第一个爬虫：在 spiders 目录下新建 python 文件，定义继承自 scrapy.spider 的类，设置 name、start_urls 和 parse 方法提取数据；3. 数据存储：通过 -o 参数将数据保存为 json、csv 等格式，或使用 item pipeline 存入数据库；4. 设置与优化：在 settings.py 中调整 download_delay、user_agent 等参数以控制请求频率和模拟浏览器访问，降低被封 ip 风险。掌握这四个部分即可搭建一个功能完整的 scrapy 爬虫系统。
要实现网络爬虫，Python 中最常用、功能强大的框架之一就是 Scrapy。它不仅支持异步请求，还能方便地提取数据、管理请求队列和处理异常。如果你希望高效抓取网页内容并结构化输出，Scrapy 是一个非常合适的选择。
安装 Scrapy 并创建项目
在开始之前，你需要先安装 Scrapy。可以通过 pip 来安装：
pip install scrapy
安装完成后，就可以创建一个新的爬虫项目了。使用以下命令创建一个项目（例如叫做 myproject）：
立即学习“Python免费学习笔记（深入）”；
scrapy startproject myproject
这会生成一个标准的项目结构，包含 spiders、items、middlewares 等目录和文件。
进入项目目录后，就可以开始编写你的第一个爬虫了。
编写第一个爬虫：抓取网页标题和链接
在 spiders 目录下新建一个 Python 文件，比如叫 example_spider.py，然后定义一个继承自 scrapy.Spider 的类。
下面是一个简单的例子，用于抓取某个页面上的文章标题和链接：
import scrapy
class ExampleSpider(scrapy.Spider):
name = 'example'
start_urls = [
'https://example.com/articles',
]
def parse(self, response):
for article in response.css('div.article'):
yield {
'title': article.css('h2 a::text').get(),
'link': article.css('h2 a::attr(href)').get(),
}在这个例子中：
-
name是爬虫的名字，运行时会用到。 -
start_urls是初始请求的 URL 列表。 -
parse方法是默认的回调函数，用来解析响应内容。 - 使用 CSS 选择器提取标题和链接，并通过
yield输出结果。
你可以通过如下命令运行这个爬虫：
scrapy crawl example
数据存储：保存为 JSON、CSV 或数据库
Scrapy 支持将爬取的数据直接导出为多种格式。最简单的方式是在运行命令时加上 -o 参数：
scrapy crawl example -o output.json
支持的格式包括 JSON、CSV、XML 等。如果你想把数据存入数据库，比如 MySQL 或 MongoDB，就需要使用 Item Pipeline 功能。
步骤大致如下：
- 在
items.py中定义需要提取的数据字段； - 在 pipelines.py 中编写数据库连接和插入逻辑；
- 在 settings.py 中启用 pipeline。
这种方式适合长期维护和扩展的项目，也能避免重复数据入库。
设置与优化：控制请求频率和模拟浏览器访问
Scrapy 默认请求速度比较快，可能会触发网站反爬机制。为了更“友好”一些，可以在 settings.py 中调整以下参数：
-
DOWNLOAD_DELAY: 设置下载间隔，比如设为 1 表示每秒一次请求； -
USER_AGENT: 更换 User-Agent，伪装成浏览器访问； -
ROBOTSTXT_OBEY = True: 遵守 robots.txt 规则，避免抓取禁止区域； -
CONCURRENT_REQUESTS: 控制并发请求数量，避免服务器压力过大；
举个例子，设置一个常见的浏览器 User-Agent：
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
这些设置能有效降低被封 IP 的风险，也更容易通过网站的基本检测。
基本上就这些。掌握这几个部分，你就能用 Scrapy 搭建一个功能完整的爬虫系统了。虽然看起来有点多，但每个环节都不复杂，只是细节容易忽略。
