Создание паука Scrapy
Создайте проект Scrapy, напишите паука и автоматически переходите по ссылкам.
«Создание паука Scrapy» — бесплатный урок Python Academy на CoddyKit. Это урок 3 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Python Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Python Academy содержит 4 уроков всего.
Что такое Scrapy
Scrapy — полнофункциональный фреймворк для веб-парсинга со встроенным асинхронным обходом страниц, конвейерами элементов, промежуточными обработчиками и экспортерами.
# pip install scrapy
# Create a project:
# scrapy startproject myspider
# myspider/
# scrapy.cfg
# myspider/
# settings.py
# spiders/
# quotes_spider.pyСоздание паука
Создайте подкласс scrapy.Spider, задайте name и start_urls, а затем реализуйте 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(),
}CSS- и XPath-селекторы
Используйте response.css("selector") или response.xpath("//xpath") для извлечения данных. .get() возвращает первое совпадение, а .getall() — все совпадения.
def parse(self, response):
# CSS:
titles = response.css("h2.title::text").getall()
# XPath:
links = response.xpath("//a/@href").getall()
yield {"titles": titles, "links": links}Переход по ссылкам
Выдавайте объект scrapy.Request, чтобы перейти по ссылке и разобрать следующую страницу.
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)Элементы и ItemLoaders
Определяйте классы Item, чтобы структурировать собранные данные, и используйте ItemLoader для очистки и преобразования полей.
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 itemЗапуск паука
Запускайте паука из каталога проекта. Экспортируйте данные в JSON, CSV или пользовательский конвейер.
# 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"Настройки: DOWNLOAD_DELAY и CONCURRENT_REQUESTS
Соблюдайте осторожность: добавляйте задержки и ограничивайте число одновременных запросов, чтобы не перегружать серверы.
# 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.txtПромежуточные обработчики
Промежуточные обработчики перехватывают запросы и ответы. Используйте встроенные обработчики для смены User-Agent, повторных попыток и работы с файлами cookie.
# settings.py
DOWNLOADER_MIDDLEWARES = {
"scrapy.downloadermiddlewares.retry.RetryMiddleware": 550,
"scrapy.downloadermiddlewares.useragent.UserAgentMiddleware": None,
"myspider.middlewares.RotateUserAgentMiddleware": 400,
}Конвейеры элементов
Конвейеры обрабатывают элементы после парсинга: очищают и проверяют данные, удаляют дубликаты и сохраняют данные в базе данных.
# 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 itemОбработка входа в систему
Используйте FormRequest Scrapy для отправки формы входа и сохранения файла cookie сессии.
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 для страниц с JS
Плагин scrapy-playwright интегрирует Playwright с Scrapy для страниц, содержимое которых формируется с помощью 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})Быстрая проверка
Что делает response.follow(href, callback) в пауке Scrapy?
Итоги
Пауки Scrapy создаются на основе scrapy.Spider, объявляют start_urls и выдают элементы или дополнительные объекты Request из parse() с помощью yield. Используйте CSS- и XPath-селекторы, соблюдайте осторожность с DOWNLOAD_DELAY и применяйте конвейеры для сохранения данных.
Часто задаваемые вопросы
Урок «Создание паука Scrapy» бесплатный?
Да — полный текст урока «Создание паука Scrapy» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Python Academy, подпишись на CoddyKit PRO. Курс Python Academy содержит 4 уроков всего.
Чему я научусь в уроке «Создание паука Scrapy»?
Создайте проект Scrapy, напишите паука и автоматически переходите по ссылкам. Ты практикуешь Python Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Python Academy?
Предыдущий опыт не требуется. Python Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 3 из 4.
Сколько времени занимает урок «Создание паука Scrapy»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Python Academy?
Да. Каждый урок Python Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- HTTP-запросы с requests и httpx
- Разбор HTML с помощью BeautifulSoup
- Создание паука Scrapy
- Обработка JavaScript и мер против парсинга