การสร้างสไปเดอร์ Scrapy
สร้างโปรเจกต์ Scrapy เขียนสไปเดอร์ และติดตามลิงก์โดยอัตโนมัติ
การสร้างสไปเดอร์ Scrapy เป็นบทเรียน Python Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Python Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Python Academy มีบทเรียนทั้งหมด 4 บทเรียน
Scrapy คืออะไร
Scrapy เป็นเฟรมเวิร์กสำหรับดึงข้อมูลจากเว็บที่มีฟีเจอร์ครบถ้วน พร้อมการรวบรวมข้อมูลแบบอะซิงโครนัส กระบวนการประมวลผลรายการ มิดเดิลแวร์ และตัวส่งออกข้อมูลในตัว
# pip install scrapy
# Create a project:
# scrapy startproject myspider
# myspider/
# scrapy.cfg
# myspider/
# settings.py
# spiders/
# quotes_spider.pyการสร้าง Spider
สร้างคลาสย่อยจาก scrapy.Spider กำหนด name และ start_urls แล้วนำ parse() มาใช้
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(),
}ตัวเลือก CSS และ XPath
ใช้ response.css("selector") หรือ response.xpath("//xpath") เพื่อดึงข้อมูล โดย .get() จะส่งคืนผลลัพธ์แรก และ .getall() จะส่งคืนผลลัพธ์ทั้งหมด
def parse(self, response):
# CSS:
titles = response.css("h2.title::text").getall()
# XPath:
links = response.xpath("//a/@href").getall()
yield {"titles": titles, "links": links}การติดตามลิงก์
ส่งคืน scrapy.Request ด้วย yield เพื่อติดตามลิงก์และแยกวิเคราะห์หน้าถัดไป
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)รายการข้อมูลและ ItemLoaders
กำหนดคลาส Item เพื่อจัดโครงสร้างข้อมูลที่ดึงมา และใช้ ItemLoader เพื่อล้างและแปลงฟิลด์
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 itemการเรียกใช้ Spider
เรียกใช้จากไดเรกทอรีโครงการ ส่งออกเป็น JSON, CSV หรือใช้กระบวนการประมวลผลแบบกำหนดเอง
# 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"การตั้งค่า: DOWNLOAD_DELAY และ CONCURRENT_REQUESTS
โปรดใช้งานอย่างสุภาพ: เพิ่มระยะหน่วงและจำกัดจำนวนคำขอพร้อมกัน เพื่อหลีกเลี่ยงการทำให้เซิร์ฟเวอร์ทำงานหนักเกินไป
# 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.txtมิดเดิลแวร์
มิดเดิลแวร์จะดักจับคำขอและการตอบกลับ ใช้มิดเดิลแวร์ในตัวสำหรับการสลับ user-agent การลองใหม่ และคุกกี้
# settings.py
DOWNLOADER_MIDDLEWARES = {
"scrapy.downloadermiddlewares.retry.RetryMiddleware": 550,
"scrapy.downloadermiddlewares.useragent.UserAgentMiddleware": None,
"myspider.middlewares.RotateUserAgentMiddleware": 400,
}กระบวนการประมวลผลรายการ
กระบวนการประมวลผลจะจัดการรายการหลังการดึงข้อมูลจากเว็บ เช่น ล้างข้อมูล ตรวจสอบความถูกต้อง กำจัดข้อมูลซ้ำ และบันทึกลงฐานข้อมูล
# 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 itemการจัดการการเข้าสู่ระบบ
ใช้ FormRequest ของ Scrapy เพื่อส่งแบบฟอร์มเข้าสู่ระบบและคงคุกกี้ของเซสชันไว้
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 สำหรับหน้าเว็บที่ใช้ JS
ปลั๊กอิน scrapy-playwright ผสาน Playwright เข้ากับ Scrapy สำหรับหน้าเว็บที่แสดงผลด้วย 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})ตรวจสอบความเข้าใจ
response.follow(href, callback) ใน Spider ของ Scrapy ทำหน้าที่อะไร
สรุปทบทวน
Spider ของ Scrapy สร้างคลาสย่อยจาก scrapy.Spider ประกาศ start_urls และส่งคืนรายการหรือ Request เพิ่มเติมด้วย parse() ใช้ตัวเลือก CSS/XPath เพิ่ม DOWNLOAD_DELAY เพื่อใช้งานอย่างสุภาพ และใช้กระบวนการประมวลผลเพื่อบันทึกข้อมูล
คำถามที่พบบ่อย
บทเรียน “การสร้างสไปเดอร์ Scrapy” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การสร้างสไปเดอร์ Scrapy” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Python Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Python Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การสร้างสไปเดอร์ Scrapy”
สร้างโปรเจกต์ Scrapy เขียนสไปเดอร์ และติดตามลิงก์โดยอัตโนมัติ คุณปฏิบัติ Python Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Python Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Python Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน
บทเรียน “การสร้างสไปเดอร์ Scrapy” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Python Academy นี้ได้ไหม
ได้ บทเรียน Python Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- คำขอ HTTP ด้วย requests และ httpx
- การแยกวิเคราะห์ HTML ด้วย BeautifulSoup
- การสร้างสไปเดอร์ Scrapy
- การจัดการ JavaScript และมาตรการป้องกันการดึงข้อมูล