Scrapy多线程提取网页链接教程

本文档旨在指导开发者如何使用 Scrapy 框架高效地从单个 URL 中提取所有链接，包括嵌套链接。通过 Scrapy 提供的强大功能和简洁的 API，我们可以轻松实现多线程爬取，并将提取的链接保存到 CSV 文件中。本文将提供一个可直接运行的 Scrapy 脚本，无需创建完整的 Scrapy 项目，即可快速上手。

简介

网络爬虫经常需要从一个网页中提取所有的链接，并进一步访问这些链接以获取更多信息。对于大型网站，单线程爬取效率低下。Scrapy 是一个强大的 Python 爬虫框架，它内置了多线程支持，可以高效地完成链接提取任务。本教程将展示如何使用 Scrapy 提取指定 URL 及其嵌套 URL 中的所有链接，并将结果保存到 CSV 文件中。

准备工作

1. 安装 Scrapy:

   pip install scrapy

2. 安装 Twisted:

   Scrapy 依赖于 Twisted 异步网络框架。某些情况下，直接 pip install scrapy 可能无法正确安装 Twisted。如果遇到问题，可以尝试手动安装 Twisted：

   pip install twisted

编写 Scrapy 爬虫

以下是一个简单的 Scrapy 爬虫脚本，用于提取链接并保存到 CSV 文件。

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    allowed_domains = ['www.tradeindia.com']  # 替换为你的目标域名
    start_urls = ['https://www.tradeindia.com/']  # 替换为你的起始 URL

    def parse(self, response):
        print('\n>>> url:', response.url, '\n')

        links = response.css('a::attr(href)').extract()

        # 创建 items，用于保存到 CSV 文件
        for url in links:
            yield {'url': url}

        # 创建请求，用于处理下一层 URL
        for url in links:
            yield response.follow(url)

# --- 无需创建项目即可运行并保存到 `output.csv` ---
from scrapy.crawler import CrawlerProcess

c = CrawlerProcess({
    'USER_AGENT': 'Mozilla/5.0',
    'CONCURRENT_REQUESTS': 10,  # 默认: 16，调整并发请求数
    #'RANDOMIZE_DOWNLOAD_DELAY': True,  # 默认: True
    'DOWNLOAD_DELAY': 2,  # 请求之间的延迟，模拟真实用户行为，避免被封禁
    #'LOG_LEVEL': 'INFO',       # 减少屏幕输出信息
    'FEEDS': {'output.csv': {'format': 'csv'}}, # 保存为 CSV, JSON 或 XML 格式
})

c.crawl(MySpider)
c.start()

代码解释:

• MySpider 类: 继承自 scrapy.Spider，定义了爬虫的行为。

  • name: 爬虫的名称，必须是唯一的。
  • allowed_domains: 允许爬取的域名，防止爬虫爬到其他网站。
  • start_urls: 爬虫启动时要爬取的 URL 列表。
  • parse(self, response): 处理响应的回调函数。
    • response.url: 当前页面的 URL。
    • response.css('a::attr(href)').extract(): 使用 CSS 选择器提取所有 标签的 href 属性值。
    • yield {'url': url}: 生成一个包含 URL 的字典，Scrapy 会自动将其保存到 CSV 文件中。
    • yield response.follow(url): 创建一个新的请求，用于爬取提取到的 URL。response.follow 会自动处理相对 URL。

• CrawlerProcess 类: 用于运行爬虫。

  • USER_AGENT: 设置 User-Agent，模拟浏览器行为，避免被识别为爬虫。
  • CONCURRENT_REQUESTS: 设置并发请求数，控制爬取速度。
  • DOWNLOAD_DELAY: 设置下载延迟，模拟真实用户行为，避免给服务器造成过大压力。
  • FEEDS: 设置输出文件和格式。

运行爬虫

将上述代码保存为 spider.py 文件，然后在命令行中运行：

python spider.py

爬虫将开始运行，并将提取到的链接保存到 output.csv 文件中。

注意事项

• Robots.txt: 请务必遵守网站的 robots.txt 协议，避免爬取禁止爬取的页面。
• 爬取频率: 控制爬取频率，避免给服务器造成过大压力。可以使用 DOWNLOAD_DELAY 参数设置下载延迟。
• User-Agent: 设置合适的 User-Agent，模拟浏览器行为。
• 反爬机制: 一些网站可能会采取反爬机制，例如验证码、IP 封禁等。需要根据具体情况采取相应的应对措施。
• 域名限制: allowed_domains 应该设置为目标网站的域名，防止爬虫爬到其他网站。
• 递归深度: 如果网站结构非常复杂，需要控制递归深度，避免无限循环。可以使用 Scrapy 的 DEPTH_LIMIT 设置。

总结

本教程介绍了如何使用 Scrapy 框架进行多线程网页链接提取。通过 Scrapy 提供的强大功能和简洁的 API，我们可以高效地完成爬虫任务。 请务必遵守相关法律法规和网站的 robots.txt 协议，合法合规地进行网络爬取。