首页
/ Apify CLI 实战:如何将 Scrapy 项目迁移至 Apify 平台

Apify CLI 实战:如何将 Scrapy 项目迁移至 Apify 平台

2025-06-24 01:07:14作者:鲍丁臣Ursa

前言

对于 Python 开发者而言,Scrapy 是构建网络爬虫的首选框架之一。而 Apify 平台则提供了强大的爬虫执行环境和部署能力。本文将详细介绍如何通过 Apify CLI 工具将现有的 Scrapy 项目无缝迁移至 Apify 平台,使其成为功能完备的 Apify Actor。

准备工作

安装 Apify CLI

在开始之前,需要确保已安装 Apify CLI 工具。提供两种安装方式:

  1. 使用 Homebrew 安装(推荐 macOS 用户):
brew install apify-cli
  1. 使用 NPM 安装:
npm i -g apify-cli

安装完成后,可以通过运行 apify -v 验证安装是否成功。

Scrapy 项目转换实战

项目结构检查

确保你的 Scrapy 项目结构完整,典型的项目目录应包含:

your_scraper/
├── scrapy.cfg
├── your_scraper/
│   ├── __init__.py
│   ├── items.py
│   ├── pipelines.py
│   ├── settings.py
│   └── spiders/
│       ├── __init__.py
│       └── your_spider.py

初始化 Apify 项目

在项目根目录(包含 scrapy.cfg 的目录)执行:

apify init

CLI 工具会引导你完成以下配置:

  1. 输入 Scrapy 的 BOT_NAME(可在 settings.py 中找到)
  2. 指定蜘蛛模块所在目录(SPIDER_MODULES 设置)
  3. 选择要包装的具体蜘蛛

成功后会看到类似输出:

Success: The Scrapy project has been wrapped successfully.

本地运行与测试

创建虚拟环境

python -m virtualenv .venv
source .venv/bin/activate

安装依赖

pip install -r requirements-apify.txt -r requirements.txt

执行爬虫

apify run

运行结果默认存储在 storage/datasets/default/ 目录中。

部署到 Apify 平台

登录账户

apify login

系统会提示输入 API Token。

部署项目

apify push

部署完成后,可以在 Apify 控制台的"我的 Actors"中查看和管理。

技术实现解析

核心组件替换

Apify CLI 在包装过程中会替换 Scrapy 的以下核心组件:

  1. 调度器(Scheduler)

    • 原版:Scrapy 默认调度器
    • 替换为:ApifyScheduler
    • 功能:与 Apify 请求队列集成
  2. 数据处理管道(Pipeline)

    • 新增:ActorDatasetPushPipeline
    • 作用:将抓取结果自动推送至 Apify 数据集
  3. 重试中间件(RetryMiddleware)

    • 原版:Scrapy 默认重试中间件
    • 替换为:ApifyRetryMiddleware
    • 改进:与 Apify 请求队列深度集成
  4. 代理中间件(HttpProxyMiddleware)

    • 原版:Scrapy 默认代理中间件
    • 替换为:ApifyHttpProxyMiddleware
    • 优势:支持 Apify 的代理配置系统

异步处理机制

Scrapy 基于 Twisted 的异步机制与 Apify 的 AsyncIO 存在兼容性问题。解决方案:

  1. 使用 nest-asyncio 库处理事件循环嵌套
  2. 在蜘蛛代码中执行异步操作时,使用专用方法:
from apify.scrapy.utils import nested_event_loop
await nested_event_loop.run_until_complete(my_coroutine())

最佳实践与限制

项目结构建议

  1. 单个 Actor 对应单个 Spider
  2. 共享组件可通过 Python 包方式复用
  3. 输入参数通过 input_schema.json 配置

已知限制

  1. 异步代码兼容性

    • 避免在蜘蛛中混用 Twisted 和 AsyncIO 代码
    • 必须使用提供的嵌套事件循环工具
  2. 多蜘蛛支持

    • 不建议单个 Actor 运行多个蜘蛛
    • 每个蜘蛛应有独立的请求队列和输出存储

结语

通过 Apify CLI 工具,开发者可以轻松将现有的 Scrapy 项目迁移至 Apify 平台,享受云原生的爬虫执行环境。本文详细介绍了从本地开发到云端部署的全流程,以及底层技术实现细节。希望这些内容能帮助你顺利完成项目迁移。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
136
1.89 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
71
63
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.28 K
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
918
550
PaddleOCRPaddleOCR
飞桨多语言OCR工具包(实用超轻量OCR系统,支持80+种语言识别,提供数据标注与合成工具,支持服务器、移动端、嵌入式及IoT设备端的训练与部署) Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)
Python
46
1
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
273
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
59
16