Crawlee涵盖了您的爬虫和抓取的全过程，并且帮助您快速构建可靠的爬虫。
🚀 Python版Crawlee现已开放给早期采用者！
即使使用默认配置，您的爬虫也会表现得几乎像人类一样，轻松躲过现代的机器人保护。Crawlee为您提供了爬取网页链接、抓取数据并以机器可读格式持久存储的工具，无需担心技术细节。如果默认设置不能满足您的需求，丰富的配置选项可以让您调整Crawlee的几乎任何方面，以适应您项目的需求。
👉 在Crawlee项目网站查看完整文档、指南和示例 👈
我们还有一个TypeScript版的Crawlee实现，您可以探索并用于您的项目。访问我们的GitHub仓库以获取更多信息GitHub上的JS/TS版Crawlee。
安装
我们建议访问Crawlee文档中的入门教程以获取更多信息。
Crawlee作为crawlee PyPI包提供。核心功能包含在基础包中，额外功能作为可选扩展提供，以最小化包大小和依赖。要安装包含所有功能的Crawlee，请运行以下命令：
pip install 'crawlee[all]'
然后，安装Playwright依赖：
playwright install
验证Crawlee是否成功安装：
python -c 'import crawlee; print(crawlee.__version__)'
有关详细的安装说明，请参阅设置文档页面。
使用Crawlee CLI
使用Crawlee的最快方法是使用Crawlee CLI并选择一个预先准备好的模板。首先，确保您已安装Pipx：
pipx --help
然后，运行CLI并从可用模板中选择：
pipx run crawlee create my-crawler
如果您已经安装了crawlee，可以通过运行以下命令启动它：
crawlee create my-crawler
示例
以下是一些实际示例，帮助您开始使用Crawlee中的不同类型的爬虫。每个示例演示了如何为特定用例设置和运行爬虫，无论您是需要处理简单的HTML页面还是与JavaScript密集型网站交互。爬虫运行将在您的当前工作目录中创建一个storage/目录。
BeautifulSoupCrawler
BeautifulSoupCrawler使用HTTP库下载网页，并向用户提供已解析的HTML内容。它使用HTTPX进行HTTP通信，使用BeautifulSoup解析HTML。它非常适合需要从HTML内容中高效提取数据的项目。由于不使用浏览器，这种爬虫的性能非常好。但是，如果您需要执行客户端JavaScript来获取内容，这种方法就不够用了，您需要使用PlaywrightCrawler。此外，如果您想使用这个爬虫，请确保安装crawlee时包含了beautifulsoup扩展。
import asyncio from crawlee.beautifulsoup_crawler import BeautifulSoupCrawler, BeautifulSoupCrawlingContext async def main() -> None: crawler = BeautifulSoupCrawler( # 限制每次爬取的最大请求数。移除或增加此限制以爬取所有链接。 max_requests_per_crawl=10, ) # 定义默认请求处理程序，该程序将处理每个请求。 @crawler.router.default_handler async def request_handler(context: BeautifulSoupCrawlingContext) -> None: context.log.info(f'正在处理 {context.request.url} ...') # 从页面提取数据。 data = { 'url': context.request.url, 'title': context.soup.title.string if context.soup.title else None, } # 将提取的数据推送到默认数据集。 await context.push_data(data) # 将页面上找到的所有链接加入队列。 await context.enqueue_links() # 使用初始URL列表运行爬虫。 await crawler.run(['https://crawlee.dev']) if __name__ == '__main__': asyncio.run(main()) ### PlaywrightCrawler PlaywrightCrawler 使用无头浏览器下载网页并提供数据提取的API。它基于 Playwright 构建，Playwright 是一个专为管理无头浏览器设计的自动化库。它擅长获取依赖客户端 JavaScript 生成内容的网页，或需要与 JavaScript 驱动的内容交互的任务。对于不需要执行 JavaScript 或需要更高性能的场景，可以考虑使用 BeautifulSoupCrawler。另外，如果你想使用这个爬虫，请确保安装带有 playwright 额外依赖的 crawlee。 ```python import asyncio from crawlee.playwright_crawler import PlaywrightCrawler, PlaywrightCrawlingContext async def main() -> None: crawler = PlaywrightCrawler( # 限制每次爬取的最大请求数。移除或增加此限制以爬取所有链接。 max_requests_per_crawl=10, ) # 定义默认请求处理程序，该程序将处理每个请求。 @crawler.router.default_handler async def request_handler(context: PlaywrightCrawlingContext) -> None: context.log.info(f'正在处理 {context.request.url} ...') # 从页面提取数据。 data = { 'url': context.request.url, 'title': await context.page.title(), } # 将提取的数据推送到默认数据集。 await context.push_data(data) # 将页面上找到的所有链接加入队列。 await context.enqueue_links() # 使用初始请求列表运行爬虫。 await crawler.run(['https://crawlee.dev']) if __name__ == '__main__': asyncio.run(main())
更多示例
请访问 Crawlee 文档中的 示例 页面，了解更多用例和演示。
特性
为什么 Crawlee 是网络爬虫和爬取的首选？
为什么使用 Crawlee 而不是随便一个带 HTML 解析器的 HTTP 库？
- HTTP 和无头浏览器爬取的统一接口。
- 基于可用系统资源的自动并行爬取。
- 使用 Python 编写并带有类型提示 - 增强开发体验（IDE 自动补全）并减少错误（静态类型检查）。
- 遇到错误或被封禁时自动重试。
- 集成代理轮换和会话管理。
- 可配置的请求路由 - 将 URL 定向到适当的处理程序。
- 用于爬取的 URL 持久化队列。
- 表格数据和文件的可插拔存储。
- 强大的错误处理。
为什么使用 Crawlee 而不是 Scrapy？
- Crawlee 原生支持无头浏览器爬取（Playwright）。
- Crawlee 拥有简约优雅的接口 - 用不到 10 行代码就能设置爬虫。
- 完整的类型提示覆盖。
- 基于标准 Asyncio。
在 Apify 平台上运行
Crawlee 是开源的，可以在任何地方运行，但由于它是由 Apify 开发的，因此很容易在 Apify 平台上设置并在云端运行。访问 Apify SDK 网站 了解更多关于将 Crawlee 部署到 Apify 平台的信息。
支持
如果你发现 Crawlee 有任何 bug 或问题，请在 GitHub 上提交 issue。如有疑问，你可以在 Stack Overflow 上提问，在 GitHub Discussions 中讨论，或加入我们的 Discord 服务器。
贡献
欢迎你的代码贡献，你将永远受到赞美！如果你有任何改进的想法，可以提交 issue 或创建 pull request。有关贡献指南和行为准则，请参阅 CONTRIBUTING.md。
许可证
本项目采用 Apache License 2.0 许可 - 详情请参阅 LICENSE 文件。
编辑推荐精选
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景， 如有声读物制作、智能语音助手开发等。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
Hunyuan3D-2
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。
3FS
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管 理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号