当前位置：首页 > news >正文

使用Scrapy构建高效网络爬虫：从入门到数据导出全流程

news 2025/10/31 17:44:09

在数据驱动的时代，网络爬虫已成为获取公开信息的核心工具。本文将带您通过Scrapy框架完成一个实战项目，涵盖从零搭建爬虫到多格式数据导出的完整流程，并深入解析Scrapy的Feed Exports功能。

一、项目背景与目标

我们将爬取书籍网站，提取每本书的URL、标题和价格，并将结果保存为多种格式文件（CSV/JSON/XML等）。此案例适用于数据挖掘、竞品分析等场景。

在这里插入图片描述

二、环境准备

1. 安装Scrapy

pip install scrapy

2. 创建项目与爬虫

scrapy startproject booklist       # 创建项目
cd booklist
scrapy genspider book books.toscrape.com  # 生成爬虫

三、核心代码实现

1. 定义数据结构（Items）

编辑 items.py，声明需抓取的字段：

# booklist/items.py
from scrapy.item import Item, Fieldclass BooklistItem(Item):url = Field()    # 书籍链接title = Field()  # 书名price = Field()  # 价格

2. 编写爬取逻辑（Spider）

在 spiders/book.py 中实现数据提取：

import scrapy
from booklist.items import BooklistItemclass BookSpider(scrapy.Spider):name = 'book'allowed_domains = ['books.toscrape.com']start_urls = ['http://books.toscrape.com/']def parse(self, response):for article in response.css('article.product_pod'):yield BooklistItem(url=response.urljoin(article.css("h3 > a::attr(href)").get()),title=article.css("h3 > a::attr(title)").get(),price=article.css(".price_color::text").get())

四、数据导出实战

方法1：命令行快速导出

通过 -o 参数直接指定输出文件（支持覆盖模式 -O）：

scrapy crawl book -o data/books.csv      # CSV格式
scrapy crawl book -o data/books.json     # JSON格式
scrapy crawl book -o data/books.xml      # XML格式

方法2：配置文件管理导出（推荐）

代码位置

在 settings.py 中全局配置导出规则，适用于所有爬虫任务。

FEEDS = {'data/output.csv': {          # 输出文件路径'format': 'csv',          # 文件格式为CSV'overwrite': True,        # 如果文件已存在，则覆盖'encoding': 'utf8'        # 使用UTF-8编码},'data/output.json': {         # 第二个输出文件路径'format': 'json',         # 文件格式为JSON'indent': 4               # JSON文件缩进4个空格（美化格式）}
}

关键点说明

多文件同时导出
✅ 是的！ 这段代码会同时生成两个文件：
- data/output.csv（CSV格式）
- data/output.json（JSON格式）
  Scrapy会根据配置自动处理，无需额外操作。
参数详解
- format: 指定导出文件的格式（支持 csv/json/jsonlines/xml）。
- overwrite: 若为 True，会覆盖已存在的文件；若为 False，则追加数据（部分格式不支持追加）。
- indent: 仅对JSON有效，控制缩进空格数（美化输出）。
- encoding: 指定文件编码（默认为UTF-8）。
文件路径规则
- 路径是相对于Scrapy项目根目录的（即与 settings.py 同级）。
- 若 data/ 文件夹不存在，需提前手动创建，否则会报错。

方法3：动态路径与自定义设置

在爬虫类（如 book.py）中通过 custom_settings 覆盖全局配置。

custom_settings = {'FEEDS': {f'data/{name}_{time}.json': {  # 动态文件名（需定义name和time变量）'format': 'json','encoding': 'utf8'}}
}

关键点说明

动态文件名
- {name} 和 {time} 是占位符，但直接这样写会报错，因为 name 和 time 未定义。
- 正确写法需通过Scrapy内置变量实现动态路径，例如：
  
  python
  
  复制
```
f'data/{self.name}_{datetime.now().strftime("%Y%m%d")}.json'
```
  需在爬虫类中导入datetime 并调整代码结构。
优先级
- custom_settings 的优先级高于全局 settings.py 中的配置。
- 若同时存在，以爬虫类中的设置为准。
适用场景
- 需要为不同爬虫任务定制输出路径时（如按日期、爬虫名称分类存储）。
- 需要动态生成文件名时（如加入时间戳）。

对比总结

特性	方法2（全局配置）	方法3（自定义设置）
作用范围	所有爬虫共享	仅当前爬虫生效
多文件导出	✅ 支持	✅ 支持（需手动配置多个条目）
动态路径	❌ 需硬编码路径	✅ 支持通过变量动态生成
代码维护性	集中管理，适合多爬虫项目	灵活，适合单一爬虫的定制需求

常见问题

如何同时导出多个格式？
在 FEEDS 中添加多个条目即可（如方法2所示），Scrapy会分别处理。
动态路径中的变量如何定义？
需通过爬虫类的 custom_settings 结合Python代码生成，例如：
```
from datetime import datetimeclass BookSpider(scrapy.Spider):name = 'book'custom_settings = {'FEEDS': {f'data/{name}_{datetime.now().strftime("%Y%m%d")}.json': {'format': 'json'}}}
```
⚠️ 注意：直接使用 name 和 time 会报错，需通过类属性或函数动态生成。
文件路径错误怎么办？
- 检查路径是否拼写正确。
- 确保父目录（如 data/）已存在。
- 使用绝对路径（如 /tmp/data/output.json）避免权限问题。

五、进阶技巧

1. 动态路径生成

通过占位符实现结构化存储：

FEEDS = {'data/%(name)s/%(time)s.json': {  # 如：data/book/20231010.json'format': 'json'}
}

2. 多格式同时导出

FEEDS = {'books.csv': {'format': 'csv'},'books.json': {'format': 'json'}
}

六、常见问题解决

问题	解决方案
文件路径错误	检查项目根目录是否存在`data`文件夹
编码乱码	添加`'encoding': 'utf8'`配置
数据丢失	确认CSS选择器是否匹配目标网站最新结构