数据之路 - Python爬虫 - PySpider框架

谁践踏了优雅 2023-06-02 10:59 15阅读 0赞

# 1.PySpider基本功能 #

*  提供方便易用的WebUI系统，可视化地编写和调试爬虫。
 *  提供爬取进度监控、 爬取结果查看、爬虫项目管理等功能。
 *  支持多种后端数据库，如MySQL、 MongoDB、 Redis、 SQLite、 Elasticsearch、 PostgreSQL。
 *  支持多种消息队列，如RabbitMQ、 Beanstalk、 Redis、 Kombu。
 *  提供优先级控制、失败重试、定时抓取等功能。
 *  对接了PhantomJS，可以抓取JavaScript渲染的页面。
 *  支持单机和分布式部署，支持Docker部署。

# 2.PySpider架构 #

pyspider的架构主要分为Scheduler（调度器）、Fetcher（ 抓取器）、Processer（处理器）三个部分，整个爬取过程受到Monitor （监控器）的监控，抓取的结果被Result Worker （结果处理器）处理。

Scheduler发起任务调度，Fetcher负责抓取网页内容，Processer负责解析网页内容，然后将新生成的Request发给Scheduler进行调度，将生成的提取结果输出保存。

*  每个pyspider 的项目对应一个Pythonj阅本，该脚本中定义了一个Handler 类，它有一个on\_start（）方法。 爬取首先调用on\_start（）方法生成最初的抓取任务，然后发送给Scheduler进行调度。
 *  Scheduler将抓取任务分发给Fetcher进行抓取，Fetcher执行并得到响应，随后将响应发送给Processer。
 *  Processer 处理响应并提取出新的 URL生成新的抓取任务，然后通过消息队列的方式通知Schduler 当前抓取任务执行情况，并将新生成的抓取任务发送给Scheduler。 如果生成了新的提取结果，则将其发送到结果队列等待ResultWorker处理。
 *  Scheduler接收到新的抓取任务，然后查询数据库，判断其如果是新的抓取任务或者是需要重试的任务就继续进行调度，然后将其发送回Fetcher进行抓取。
 *  不断重复以上工作，直到所有的任务都执行完毕，抓取结束。
 *  抓取结束后，程序会回调on\_finished（）方法，这里可以定义后处理过程。

![1489220-20190629165613728-380916724.png][]

# 3.PySpider命令行 #

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

====================================================================================
    pyspider [OPTIONS) COMMAND [ARGS]
    
    -c, --config FILENAME   # 指定配置文件名称
    --logging-config TEXT   # 日志配置文件名称,默认 pyspider/pyspider/logging.conf
    --debug                 # 开启调试模式
    --queue-maxsize INTEGER # 队列的最大长度
    --taskdb TEXT           # taskdb的数据库连接字符串,默认：sqlite
    --projectdb TEXT        # projectdb的数据库连接字符串,默认：sqlite
    --resultdb TEXT         # resultdb的数据库连接字符串,默认：sqlite
    --message-queue TEXT    # 消息队列连接字符串,默认：multiprocessing.Queue 
    --phantomjs-proxy TEXT  # PhantomJS使用的代理,ip:port的形式
    --data-path TEXT        # 数据库存放的路径
    --version               # pyspider的版本
    --help                  # 显示帮助信息
    ====================================================================================
    pyspider scheduler [OPTIONS]
    
    --xmlrpc / --no-xmlrpc
    --xmlrpc -host TEXT 
    --xmlrpc-port INTEGER 
    --inqueue-limit INTEGER     # 任务队列的最大长度,如果满了则新的任务会被忽略
    --delete-time INTEGER       # 设置为delete标记之前的删除时间
    --active-tasks INTEGER      # 当前活跃任务数量配置
    … loop-limit INTEGER        # 单轮最多调度的任务数量
    -scheduler els TEXT         # Scheduler使用的类
    --help                      # 显示帮助信息
    ====================================================================================
    pysp1der fetcher [OPTIONS]
    
    --xmlrpc / --no-xmlrpc 
    --xmlrpc-host TEXT 
    --xmlrpc-port INTEGER 
    --poolsize INTEGER          # 同时请求的个数
    --proxy TEXT                # 使用的代理
    --user-agent TEXT           # 使用的User-Agent
    --timeout TEXT              # 超时时间
    --fetcher-els TEXT          # Fetcher使用的类
    --help                      # 显示帮助信息
    ====================================================================================
    pyspider processor [OPTIONS]
    
    --processor-cls TEXT Processor  # 使用的类
    --help                          # 显示帮助信息
    ====================================================================================
    pyspider webui [OPTIONS]
    
    --host TEXT                 # 运行地址
    --port INTEGER              # 运行揣口
    --cdn TEXT                  # JS和css的CDN服务器
    --scheduler-rpc TEXT        # Scheduler的xmlrpc路径
    --fetcher-rpc TEXT          # Fetcher的xmlrpc路径
    --max-rate FLOAT            # 每个项目最大的rate
    --max-burst FLOAT           # 每个项目最大的burst
    --username TEXT             # Auth验证的用户名
    --password TEXT             # Auth验证的密码
    --need-auth                 # 是否需要验证
    -- webui-instance TEXT      # 运行时使用的Flask应用
    --help                      # 显示帮助信息
    ====================================================================================

# 4.PySpider基本使用 #

*pyspider all，启动pyspider的所有组件，包括PhantomJS、ResultWorker、Processer、Fetcher、 Scheduler、WebUI，这些都是pyspider运行必备的组件。*

from libs.base_handler import *
    
    class Handler(BaseHandler):
    
        @every(minutes=24*60, seconds=0)
        def on_start(self):
            self.crawl('http://scrapy.org/', callback=self.index_page)
        
        # @every：告诉调度器 on_start方法每天执行一次。
        # on_start：作为爬虫入口代码,调用此函数,启动抓取。
        
        @config(age=10*24*60*60)
        def index_page(self, response):
            for each in response.doc('a[href^="http://"]').items():
                self.crawl(each.attr.href, callback=self.detail_page)
        
        # @config：告诉调度器 request请求的过期时间是10天,10天内再遇到这个请求直接忽略。此参数亦可在self.crawl(url, age=10*24*60*60)中设置。
        # index_page：获取一个Response对象,response.doc是pyquery对象的一个扩展方法。
        
        def detail_page(self, response):
            return {
                    "url": response.url,
                    "title": response.doc('title').text(),
                    }
        
        # detail_page：返回一个结果集对象。这个结果默认会被添加到resultdb数据库(如果启动时没有指定数据库默认调用sqlite数据库)。

# 5.crawl方法 #

- url：爬取的url，可以是单个URL字符串，也可以是URL列表。
    =================================================================================================
    - callback：callback是回调函数，指定了该URL对应的响应内容用哪个方法来解析。
    
        def on_start(self):
            self.crawl('http://scrapy.org/', callback=self.index_page)
    =================================================================================================    
    - age：任务的有效时间。 如果某个任务在有效时间内且已经被执行，则它不会重复执行。
    
        # 设置方法1
        def on_start(self): 
            self.crawl('http://www.example.org/', callback=self.callback, age=10*24*60*6o) 
        
        # 设置方法2
        @config(age=10 * 24 * 60 * 60) 
        def callback(self): 
            pass 
    =================================================================================================
    - priority：爬取任务的优先级，其值默认是0, priority的数值越大，对应的请求会越优先被调度。
    
        def index_page(self): 
        　　self.crawl('http://www.example.org/page.html', callback=self.index_page) 
        　　self.crawl('http://www.example.org/233.html’, callback=self .detail_page, priority=l) 
    =================================================================================================
    - exetime：设置定时任务，其值是时间戳，默认是0，即代表立即执行。
    
        import  time 
        def on_start(self): 
        　　self.crawl(’http://www.example.org/', callback=self.callback, exetime=time.time()+30*60) 
    =================================================================================================
    - retries：可以定义重试次数，其值默认是3。
    =================================================================================================
    - itag：设置判定网页是存发生变化的节点值，在爬取时会判定次当前节点是否和上次爬取到的节点相同。 
            如果节点相同，则证明页面没有更新，就不会重复爬取。
    
        def index_page(self,response):
            for item in response.doc('.item’).items(): 
                self.crawl(item.find('a').attr.url, callback=self.detail_page, itag=item.find('.update-time’).text()) 
    =================================================================================================
    - auto_recrawl：当开启时，爬取任务在过期后会重新执行，循环时间即定义的age时间长度。
    
        def on_start(self): 
            self.craw1('http://www.example.org/', callback=self.callback, age=5*60*60, auto_recrawl=True) 
    =================================================================================================  
    - method：HTTP请求方式，它默认是GET。 如果想发起POST请求，可以将method设置为POST。
    =================================================================================================
    - params：用于定义GET请求参数。
    
        def on_start(self)：
            self.crawl(’http://httpbin.org/get’, callback=self.callback, params={
        'a':123, 'b':'c'}) 
            self.crawl('http://httpbin.org/get?a=123&b=c’, callback=self.callback) 
    =================================================================================================
    - data：用于传递POST表单数据。
    
        def on_start(self): 
            self.crawl('http://httpbin.org/post', callback=self.callback, method='POST’, data={
         'a':123, 'b':'c'}) 
    =================================================================================================        
    - files：上传的文件，需要指定文件名。
    
        def on_start(self): 
            self.crawl(’http://httpbin.org/post', callback=self.callback, method＝’POST’， files＝｛field:{filename:'content'}})
    =================================================================================================   
    - user_agent：爬取使用的User-Agent。
    
    - headers：爬取时使用的Headers，即Request Headers。
    
    - cookies：爬取时使用的Cookies，为字典格式。
    
    - connect_timeout：初始化连接时的最长等待时间，它默认是20秒。
    
    - timeout：抓取网页时的最长等待时间，它默认是120秒。
    
    - allow_redirects：确定是否自动处理重定向，它默认是True。
    
    - validate_cert：确定是否验证证书，此选项对HTTPS请求有效，默认是True。
    =================================================================================================
    - proxy：爬取时使用的代理，它支持用户名密码的配置。
        # 设置方法1
        def on_start(self)：
            self.crawl(’http://httpbin.org/get', callback=self.callback, proxy=’127.0.0.1:9743') 
            
        # 设置方法2
        class Handler(BaseHandler): 
            crawl_config = { 'proxy':  '121.0.0.1:9743' }
    =================================================================================================        
    - fetch_type：开启PhantomJS渲染。如果遇到JavaScript渲染的页面，指定此字段即可实现PhantomJS的对接，
                  pyspider将会使用PhantomJS进行网页的抓取。
    
        def on_start(self)：
            self.crawl('https://www.taobao.com', callback=self.index_page, fetch_type=’js')
    =================================================================================================        
    - js_script：页面加载完毕后执行的JavaScript脚本。
        def on_start(self): 
            self.crawl('http://www.example.org/,callback=self.callback, fetch_type=’js’, js_script='''
            function() { 
                window. scrollTo(0, document.body.scrollHeight); 
                return 123; 
                    }''')
    =================================================================================================                
    - js_run_at：JavaScript脚本运行的位置,是在页面节点开头还是结尾,默认是结尾，即document-end。
    
    - js_viewport_width/js_viewport_height：渲染页面时的窗口大小。
    
    - load_ images：加载JavaScript页面时确定是否加载图片,它默认是否。
    =================================================================================================
    - save
        # 设置方法1
        def on_start(self): 
            self.crawl(’http://www.example.org/', callback=self.callback, save={'page': 1}) 
            
        # 设置方法2
        def callback(self,  response): 
            return response.save['page'] 
    =================================================================================================
    - cancel：是取消任务，如果一个任务是ACTIVE状态的，则需要将force_update设置为True。
    
    - force_ update

**6.任务区分**

在pyspider判断两个任务是否是重复的是使用的是该任务对应的URL的MD5值作为任务的唯一ID，如果D相同，那么两个任务就会判定为相同，其中一个就不会爬取了。很多情况下请求的链接可能是同一个，但是POST的参数不同。

这时可以重写task\_id()方法，改变这个ID的计算方式来实现不同任务的区分。

import json 
    from pyspider.libs.utils import md5string 
    def get_taskid(self, task): 
        return md5string(task['url']+json.dumps(task['fetch'].get('data','')))

# 7.全局配置 #

pyspider可以使用crawl\_config来指定全局的配置，配置中的参数会和crawl（）方法创建任务时的参数合井。

class Handler(BaseHandler):
        crawl_config = {
        'headers':{
        'User-Agent':'GoogleBot'}}

# 8.定时爬取 #

通过every属性来设置爬取的时间间隔。

@every(minutes=24 * 60) 
    def on_start(self):
        for url in urllist: 
            self.crawl(url, callback=self.index_page)

# 9.项目状态 #

每个项目都有6个状态，分别是TODO、 STOP、 CHECKING、 DEBUG、 RUNNING、 PAUSE。

*  TODO：它是项目刚刚被创建还未实现时的状态。
 *  STOP：如果想停止某项目的抓取，可以将项目的状态设置为STOP。
 *  CHECKING：正在运行的项目被修改后就会变成CHEC阻NG状态，项目在中途出错需要调整的时候会遇到这种情况。
 *  DEBUG/RUNNING：这两个状态对项目的运行没有影响，状态设置为任意一个，项目都可以运行，但是可以用二者来区分项目是否已经测试通过。
 *  PAUSE：当爬取过程中出现连续多次错误时，项目会自动设置为PAUSE状态，并等待一定时间后继续爬取。

转载于:https://www.cnblogs.com/Iceredtea/p/11107890.html

[1489220-20190629165613728-380916724.png]: /images/20230601/08da40b7c50c4802aa386f8246f92d83.png
[ContractedBlock.gif]: https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20230601/ef0751f3bdf0435f94f4ebfb8db4071f.png