Python爬虫手记：如何在3分钟内快速开发一个爬虫
前言
开发爬虫是一件有趣的事情。写一个程序，对感兴趣的目标网站发起 HTTP 请求，获取 HTML，解析 HTML，提取数据，将数据保存到数据库或者存为 CSV、JSON 等格式，再用自己熟悉的语言例如 Python 对这些数据进行分析生成酷炫的图表。这个过程是不是很兴奋？
然而，开发爬虫并不是一件简单的事情。通常开发一个简单爬虫往往需要编写好几个模块：下载器、解析器、提取规则、保存模块。实现这个简单爬虫用 Python 实现至少需要编写 10-20 行代码，而且如果考虑并发和调度的话，通常要编写 50 行代码以上。更麻烦的是，如果要管理多个爬虫实现爬虫的工程化，需要对各个网站的爬虫代码提取共用模块和参数，这个过程需要相当的工程经验和时间积累。其实，一般各大网站的结构大同小异，仅需要更改提取规则即可。很多爬虫工程师要在大型项目中编写成百上千的提取规则，对于没有任何管理工具的人来说，这基本上是个噩梦。
可配置爬虫
幸运的是，Crawlab在版本 v0.2.1中新增功能可配置爬虫可以让工程师从这些重复性工作中解放开来。Crawlab 的可配置爬虫只需要爬虫工程师配置一些必要的 CSS/XPath 提取规则，就可以完成一个常规的爬虫开发。根据作者实验，对于 CSS 选择器或 XPath 稍微熟悉点的工程师，用可配置爬虫开发完一个包含五脏俱全的常规爬虫只需要 1-3 分钟。
Crawlab 的可配置爬虫是基于 Scrapy 的，因此天生是支持并发的。而且，可配置爬虫完全支持 Crawlab自定义爬虫的一般功能的，因此也支持任务调度、任务监控、日志监控、数据分析。
安装运行 Crawlab
Crawlab是一个专注于爬虫的集成了爬虫管理、任务调度、任务监控、数据分析等模块的分布式爬虫管理平台，非常适合对爬虫管理、爬虫工程化有要求的开发者及企业。
关于 Crawlab 的详细介绍请参考之前的文章：
- 爬虫平台 Crawlab v0.2 发布
- 手把手教你如何用 Crawlab 构建技术文章聚合平台(二)
- 手把手教你如何用 Crawlab 构建技术文章聚合平台(一)
- 分布式通用爬虫管理平台 Crawlab
以下是 Crawlab 的安装和运行步骤，时间大概在 10-20 分钟。
安装步骤
运行步骤
如何开发并运行可配置爬虫
下面总算到了爬虫开发时间。这里将以网易 24 小时排行新闻为例，开发一个相应的可配置爬虫，整个流程应该不超过 3 分钟。
添加爬虫
Crawlab 跑起来之后，在浏览器中打开网址http://localhost:8080，导航到爬虫。在点击添加爬虫按钮。
点击可配置爬虫。
输入完基本信息，点击添加。
配置爬虫
添加完成后，可以看到刚刚添加的可配置爬虫出现了在最下方，点击查看进入到爬虫详情。
点击配置标签进入到配置页面。接下来，我们需要对爬虫规则进行配置。
这里已经有一些配置好的初始输入项。我们简单介绍一下各自的含义。
抓取类别
这也是爬虫抓取采用的策略，也就是爬虫遍历网页是如何进行的。作为第一个版本，我们有仅列表、仅详情页、列表+详情页。
- 仅列表页。这也是最简单的形式，爬虫遍历列表上的列表项，将数据抓取下来。
- 仅详情页。爬虫只抓取详情页。
- 列表+详情页。爬虫先遍历列表页，将列表项中的详情页地址提取出来并跟进抓取详情页。
这里我们选择列表+详情页。
列表项选择器 & 分页选择器
列表项的匹和分页按钮的匹配查询，由 CSS 或 XPath 来进行匹配。
开始 URL
爬虫最开始遍历的网址。
遵守 Robots 协议
这个默认是开启的。如果开启，爬虫将先抓取网站的 robots.txt 并判断页面是否可抓；否则，不会对此进行验证。用户可以选择将其关闭。请注意，任何无视 Robots 协议的行为都有法律风险。
列表页字段 & 详情页字段
这些都是再列表页或详情页中需要提取的字段。字段由 CSS 选择器或者 XPath 来匹配提取。可以选择文本或者属性。
在检查完目标网页的元素 CSS 选择器之后，我们输入列表项选择器、开始 URL、列表页 /详情页等信息。注意勾选 url 为详情页 URL。
点击保存、预览，查看预览内容。
OK，现在配置大功告成，终于可开始跑爬虫了！
运行爬虫
你唯一需要做的，就是点击运行按钮并确认。点击概览标签，你可以看到任务已经开始运行了。
点击创建时间链接导航到任务详情，点击结果标签，你就可以看到抓取到的结果已经保存下来了。
怎么样，这个过程是不是超级简单？如果熟练的话，整个过程可以在 60 秒内完成！就跟玩魔方一样，越玩越熟练！
结语
本文利用 Crawlab 的可配置爬虫功能实现了 3 分钟内对网易新闻 24 小时新闻排行榜的抓取。同样的过程可以实现在其他类似的网站上面。虽然这是一个经典的“列表+详情页”的抓取模式，比较简单，后续我们还会开发更多的更复杂的抓取模式，实现更多的抓取需求。Crawlab 的可配置爬虫降低了爬虫的开发时间，增加了爬虫开发效率，完善了工程化水平，将爬虫工程师从日常的繁琐配置工作中解放出来。配置工作可以交给初级爬虫工程师或者外包人员来做，而高级爬虫工程师会把精力放在更复杂的爬虫工作上来，例如反爬、动态内容、分布式爬虫等等。
Github: tikazyq/crawlab
如果感觉 Crawlab 还不错，对你的日常工作或企业有帮助的话，请加作者微信拉入开发交流群，大家一起交流关于 Crawlab 的使用和开发。
Python爬虫手记：如何在3分钟内快速开发一个爬虫
要快速开发一个爬虫，用requests和BeautifulSoup组合最直接。这里有个完整示例，3分钟就能跑起来：
import requests
from bs4 import BeautifulSoup
import pandas as pd
def quick_spider(url, selector):
"""
快速爬虫函数
url: 目标网址
selector: CSS选择器，比如'.title'或'#content'
"""
headers = {'User-Agent': 'Mozilla/5.0'}
try:
# 1. 发送请求
response = requests.get(url, headers=headers, timeout=10)
response.raise_for_status()
# 2. 解析HTML
soup = BeautifulSoup(response.text, 'html.parser')
# 3. 提取数据
elements = soup.select(selector)
data = [elem.get_text(strip=True) for elem in elements]
# 4. 保存结果
df = pd.DataFrame(data, columns=['content'])
df.to_csv('scraped_data.csv', index=False, encoding='utf-8-sig')
print(f"成功爬取 {len(data)} 条数据，已保存到 scraped_data.csv")
return data
except requests.exceptions.RequestException as e:
print(f"请求失败: {e}")
return []
# 使用示例
if __name__ == "__main__":
# 爬取豆瓣电影标题
url = "https://movie.douban.com/top250"
selector = ".title" # 修改为你需要的CSS选择器
results = quick_spider(url, selector)
print(results[:5]) # 打印前5条结果
核心就四步：发请求、解析HTML、提取数据、存结果。用CSS选择器定位元素最方便，在浏览器里右键检查元素就能找到。
要更快的话，直接用requests.get().text配合正则表达式也行，但BeautifulSoup更稳当。记得加个User-Agent头，有些网站会拦默认的requests头。
总结：requests+BeautifulSoup是快速开发爬虫的最佳拍档。
