Scrapy Web Scraping

Scrapy — Framework de Scraping Web

Resumen

Framework de scraping web más popular de Python — extensible, asíncrono, con middleware y pipelines. 62k⭐.

Repo de referencia

• GitHub: github.com/scrapy/scrapy
• Lenguaje: Python
• Licencia: BSD

Instalación

pip install scrapy
pip install scrapy-splash  # para JavaScript rendering
pip install scrapy-redis   # para distributed scraping

Uso Básico

# spider.py
import scrapy

class ExampleSpider(scrapy.Spider):
    name = "example"
    start_urls = ["https://example.com"]
    
    def parse(self, response):
        for href in response.css("a::attr(href)").getall():
            yield response.follow(href, self.parse)
        
        yield {
            'title': response.css('h1::text').get(),
            'text': response.css('p::text').getall(),
        }

Ejecutar

# Salida JSON
scrapy crawl example -o results.json

# Salida CSV
scrapy crawl example -o results.csv

# Con logging detallado
scrapy crawl example -s LOG_LEVEL=DEBUG

Patrones Clave

1. Middlewares: Rotación de user-agents, proxies, headers
2. Pipelines: Guardar en SQLite, MongoDB, PostgreSQL
3. Item Loaders: Transformación y validación de datos
4. Distributed: Scrapy-Redis para scraping distribuido
5. Headless browser: Splash o Playwright para JS rendering

Integración con Mastermind

• Reemplaza BeautifulSoup + requests para scraping a escala
• Ideal para government data pipelines (BOE, BORME, etc.)
• Complementa firecrawl-web-scraping (scrapy programable, firecrawl API-based)
• Útil para static-digest-pipeline

Pitfalls

• JavaScript: Scrapy no ejecuta JS. Usa Splash o Playwright para contenido dinámico.
• Rate limiting: Configurar DOWNLOAD_DELAY para no saturar servidores.
• Robots.txt: Respetar robots.txt con ROBOTSTXT_OBEY = True.
• Memory: Para sitios grandes, usar itemproc con pipelines asíncronos.

Referencias

• GitHub: scrapy/scrapy
• Docs