又双叒叕Scrapy爬虫相关的面试题及详细解答

Scrapy是Python开发的一个快速、高层次的网络爬虫框架，专注于高效抓取网页并提取结构化数据。其核心设计基于异步处理机制，适合大规模数据采集任务。

---

基础概念

1. Scrapy框架的核心组件有哪些？

• 引擎(Engine)：控制数据流和组件通信
• 调度器(Scheduler)：管理请求队列
• 下载器(Downloader)：处理HTTP请求
• Spiders：定义如何抓取和解析页面
• Item Pipeline：处理抓取后的数据清洗和存储
• 中间件(Middlewares)：扩展请求/响应处理流程

---

架构与流程

2. 描述Scrapy的工作流程

1. Spider生成初始请求
2. 引擎将请求交给调度器排队
3. 下载器获取响应并返回给Spider
4. Spider解析响应并生成Item或新请求
5. Item Pipeline处理最终数据

---

核心组件详解

3. 如何自定义Item Pipeline？

继承scrapy.pipelines类并实现process_item方法：

class CustomPipeline:
    def process_item(self, item, spider):
        if item['price'] > 100:
            return item  # 仅保留价格大于100的Item

---

请求与响应

4. 如何设置请求头防止被封禁？

在settings.py中配置DEFAULT_REQUEST_HEADERS或通过Request的headers参数动态设置：

yield scrapy.Request(url, headers={