Budowanie spidera Scrapy
Proszę utworzyć projekt Scrapy, napisać spidera i automatycznie podążać za odnośnikami.
Budowanie spidera Scrapy to bezpłatna lekcja Python Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python Academy zawiera 4 lekcji w sumie.
Czym jest Scrapy
Scrapy to rozbudowany framework do scrapingu internetowego z wbudowanym asynchronicznym przeszukiwaniem, potokami elementów, middleware i eksporterami.
# pip install scrapy
# Create a project:
# scrapy startproject myspider
# myspider/
# scrapy.cfg
# myspider/
# settings.py
# spiders/
# quotes_spider.pyTworzenie spidera
Należy utworzyć podklasę scrapy.Spider, ustawić name i start_urls, a następnie zaimplementować parse().
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(),
}Selektory CSS i XPath
Do wydobywania danych należy używać response.css("selector") lub response.xpath("//xpath"). .get() zwraca pierwsze dopasowanie, a .getall() — wszystkie.
def parse(self, response):
# CSS:
titles = response.css("h2.title::text").getall()
# XPath:
links = response.xpath("//a/@href").getall()
yield {"titles": titles, "links": links}Podążanie za linkami
Należy zwrócić za pomocą yield obiekt scrapy.Request, aby przejść za linkiem i sparsować następną stronę.
import scrapy
class Spider(scrapy.Spider):
name = "crawler"
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()}
next_page = response.css("li.next a::attr(href)").get()
if next_page:
yield response.follow(next_page, self.parse)Elementy i ItemLoaders
Klasy Item służą do strukturyzowania zescrapowanych danych, a ItemLoader — do oczyszczania i przekształcania pól.
import scrapy
class ProductItem(scrapy.Item):
name = scrapy.Field()
price = scrapy.Field()
url = scrapy.Field()
def parse(self, response):
item = ProductItem()
item["name"] = response.css("h1::text").get(strip=True)
item["price"] = response.css(".price::text").re_first(r"[\d.]+")
item["url"] = response.url
yield itemUruchamianie spidera
Spider należy uruchamiać z katalogu projektu. Dane można eksportować do JSON, CSV lub niestandardowego potoku.
# Run and print to console:
# scrapy crawl quotes
# Save to JSON:
# scrapy crawl quotes -o quotes.json
# Save to CSV:
# scrapy crawl quotes -o quotes.csv
# Scrapy shell for interactive testing:
# scrapy shell "https://quotes.toscrape.com"Ustawienia: DOWNLOAD_DELAY i CONCURRENT_REQUESTS
Należy zachować umiar: dodawać opóźnienia i ograniczać liczbę równoczesnych żądań, aby nie przeciążać serwerów.
# settings.py
DOWNLOAD_DELAY = 1 # 1 second between requests
CONCURRENT_REQUESTS = 8 # max 8 at a time
CONCURRENT_REQUESTS_PER_DOMAIN = 2
ROBOTSTXT_OBEY = True # respect robots.txtMiddleware
Middleware przechwytuje żądania i odpowiedzi. Wbudowanych mechanizmów należy używać do rotacji user-agentów, ponawiania żądań i obsługi plików cookie.
# settings.py
DOWNLOADER_MIDDLEWARES = {
"scrapy.downloadermiddlewares.retry.RetryMiddleware": 550,
"scrapy.downloadermiddlewares.useragent.UserAgentMiddleware": None,
"myspider.middlewares.RotateUserAgentMiddleware": 400,
}Potoki elementów
Potoki przetwarzają elementy po scrapingu: oczyszczają dane, sprawdzają ich poprawność, usuwają duplikaty i zapisują dane w bazie danych.
# pipelines.py
class CleanPipeline:
def process_item(self, item, spider):
item["name"] = item["name"].strip()
return item
class DBPipeline:
def open_spider(self, spider):
self.conn = connect_db()
def process_item(self, item, spider):
self.conn.insert(dict(item))
return itemObsługa logowania
FormRequest z Scrapy należy używać do przesyłania formularza logowania i zachowania pliku cookie sesji.
import scrapy
class AuthSpider(scrapy.Spider):
name = "auth"
login_url = "https://example.com/login"
def start_requests(self):
yield scrapy.Request(self.login_url, self.login)
def login(self, response):
yield scrapy.FormRequest.from_response(
response,
formdata={"user": "me", "pass": "secret"},
callback=self.parse
)scrapy-playwright dla stron JS
Wtyczka scrapy-playwright integruje Playwright z Scrapy na potrzeby stron renderowanych przez JavaScript.
# pip install scrapy-playwright
# playwright install
# settings.py:
# DOWNLOAD_HANDLERS = {
# "http": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
# "https": "scrapy_playwright.handler.ScrapyPlaywrightDownloadHandler",
# }
# In spider:
# yield scrapy.Request(url, meta={"playwright": True})Szybkie sprawdzenie
Co robi response.follow(href, callback) w spiderze Scrapy?
Podsumowanie
Spidery Scrapy dziedziczą po scrapy.Spider, deklarują start_urls i zwracają za pomocą yield elementy lub kolejne obiekty Requests z parse(). Należy używać selektorów CSS/XPath, zachowywać umiar za pomocą DOWNLOAD_DELAY oraz korzystać z potoków do utrwalania danych.
Często zadawane pytania
Czy lekcja „Budowanie spidera Scrapy” jest bezpłatna?
Tak — pełny tekst „Budowanie spidera Scrapy” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python Academy, przejdź na CoddyKit PRO. Kurs Python Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Budowanie spidera Scrapy”?
Proszę utworzyć projekt Scrapy, napisać spidera i automatycznie podążać za odnośnikami. Ćwiczysz Python Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Python Academy?
Nie wymagamy żadnego doświadczenia. Python Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Budowanie spidera Scrapy”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Python Academy?
Tak. Każda lekcja Python Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Żądania HTTP za pomocą requests i httpx
- Parsowanie HTML za pomocą BeautifulSoup
- Budowanie spidera Scrapy
- Obsługa JavaScriptu i zabezpieczeń przed scrapingiem