要让scrapy爬虫稳定抓取不被封禁，必须正确配置settings.py：①设bot_name为唯一项目名；②指定spider_modules路径；③robotstxt_obey=false；④合理设置download_delay、concurrent_requests及并发限制；⑤显式配置user_agent或ua池；⑥按需启用cookies_enabled及cookiejar标记；⑦正确配置item_pipelines顺序。
要让Scrapy爬虫不被目标网站封禁、稳定抓取数据，必须正确配置settings.py文件——它直接控制请求频率、身份伪装、并发行为和中间件加载等核心运行逻辑。
基础项目信息与协议控制
打开项目根目录下的settings.py，先确认三项基础配置是否已按需设置：
① 设置项目唯一标识：BOT_NAME = "my_news_spider"。这个名称会参与默认User-Agent构造，也用于日志归类，【不可与其他项目重名】。
② 指定爬虫模块路径：SPIDER_MODULES = ["my_news_spider.spiders"]。如果后续新增spider文件但无法被识别，大概率是这里路径写错或未同步更新。
③ 控制是否遵守robots.txt：ROBOTSTXT_OBEY = False。多数新闻站/电商站的robots.txt会禁止爬虫访问关键路径，设为True会导致start_urls直接被拦截，【开发调试阶段务必设为False】。
防封关键：延迟与并发控制
这是最易踩坑的部分。不加限制的并发请求会被服务器瞬时拉黑IP。
方法一：最稳妥的串行策略
取消注释并设置：CONCURRENT_REQUESTS_PER_DOMAIN = 1，再设置DOWNLOAD_DELAY = 2。这样每个域名严格按2秒间隔发请求，适合小规模采集或反爬强的站点。
方法二：中等压力平衡策略
启用CONCURRENT_REQUESTS = 8，同时设CONCURRENT_REQUESTS_PER_DOMAIN = 4和DOWNLOAD_DELAY = 0.5。这允许单域名最多4个并发，配合0.5秒延迟，实际吞吐可控，但需搭配随机UA和Referer头才安全。
注意：若目标站使用CDN且对IP限频，必须启用CONCURRENT_REQUESTS_PER_IP = 2并注释掉CONCURRENT_REQUESTS_PER_DOMAIN，否则延迟逻辑将失效。
身份伪装：User-Agent与请求头
默认的Scrapy UA极容易被识别。必须显式覆盖。
直接在settings.py中写死一个高可信UA（适用于简单站点）：
USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/126.0.0.0 Safari/537.36"
更推荐启用UA池（需配合中间件）：
在settings.py底部添加：
USER_AGENT_LIST = [ "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko)"]
然后在middlewares.py中编写随机UA中间件，并在DOWNLOADER_MIDDLEWARES中启用它。
Cookie与会话管理
爬取需要登录态的页面（如用户中心、后台接口）必须保留Cookie。
确认COOKIES_ENABLED = True处于启用状态（默认就是True，但常有人误关）。
如果发现登录后仍跳转回登录页，检查是否在请求中漏传了meta={'cookiejar': 'login'}——这是Scrapy多Cookie容器机制的关键标记，【不加此参数，登录态无法跨请求延续】。
管道与数据去重
数据落地前必须经过管道清洗和存储。
启用自定义Pipeline（假设你写了my_news_spider.pipelines.DuplicatesPipeline）：
ITEM_PIPELINES = { "my_news_spider.pipelines.DuplicatesPipeline": 200, "my_news_spider.pipelines.JsonWriterPipeline": 300}
数字代表执行优先级，越小越先执行。DuplicatesPipeline必须排在JsonWriterPipeline之前，否则重复数据已写入文件才去重就晚了。
