pyspider

2019-01-09 本文已影响0人瘦不下去了

官方文档：http://docs.pyspider.org/
中文网址：http://www.pyspider.cn/book/pyspider/
最新版本: https://github.com/binux/pyspider/releases

PySpider：一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器，任务监视器，项目管理器以及结果查看器

pyspider是作者之前做的一个爬虫架构的开源化实现。主要的功能需求是：

抓取、更新调度多站点的特定的页面
需要对页面进行结构化信息提取
灵活可扩展，稳定可监控而这也是绝大多数python爬虫的需求 —— 定向抓取，结构化化解析。但是面对结构迥异的各种网站，单一的抓取模式并不一定能满足，灵活的抓取控制是必须的。为了达到这个目的，单纯的配置文件往往不够灵活，于是，通过脚本去控制抓取是我最后的选择。而去重调度，队列，抓取，异常处理，监控等功能作为框架，提供给抓取脚本，并保证灵活性。最后加上web的编辑调试环境，以及web任务监控，即成为了这套框架。

pyspider的设计基础是：以python脚本驱动的抓取环模型爬虫
*通过python脚本进行结构化信息的提取，follow链接调度抓取控制，实现最大的灵活性
*通过web化的脚本编写、调试环境。web展现调度状态

抓取环模型成熟稳定，模块间相互独立，通过消息队列连接，从单进程到多机分布式灵活拓展

安装:
添加依赖

sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml libssl-dev zlib1g-dev
sudo apt-get install phantomjs
pip3 install pyspider

启动:

pyspider all

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2019-01-09 14:03:21
# Project: lianjia

from pyspider.libs.base_handler import *
import json
import pymongo
import pymysql


class Handler(BaseHandler):
    #pyspider爬虫的主类，在这里进行爬取解析和存储数据
    
    #crawl_config：在这个参数中可以做全局的设置(UA,Header,proxy)
    crawl_config = {
        'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
    }
    
    #创建mongodb数据库连接
    mongo_cli = pymongo.MongoClient('127.0.0.1',27017)
    #获取要操作的数据库
    db = mongo_cli['lianjia']
    #获取数据库下的集合
    col = db['lianjiacol']
    
    
    #创建mysql连接
    #mysql_cli = pymysql.Connect('127.0.0.1','root','nihao123','lianjia',3306,charset='utf8')
    #cursor = mysql_cli.cursor()
    
    #定时每隔一天进行重复请求，重新执行on_start方法
    @every(minutes=24 * 60)
    def on_start(self):
        #根据crawl发起请求
        self.crawl('https://bj.lianjia.com/ershoufang/', callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        
        #response.doc 是一个pyquery对象
        #response.etree:返回的是一个lxml对象,可以使用xpath语法
        #提取每一个房源的详情地址url
        hourse_infos = response.doc('ul.sellListContent li.clear.LOGCLICKDATA')
        for hourse in hourse_infos.items():
            detail_url = hourse('div.title a').attr.href
            self.crawl(detail_url,callback=self.detail_page)
            
        #提取下一页发起请求
        #data = response.doc('div.page-box.house-lst-page-box').attr.page-data
        data = response.etree.xpath('//div[@class="page-box house-lst-page-box"]/@page-data')[0]
        print('data啊',data)
        json_data = json.loads(data)
        #print('nextdata',json_data)
        cur_page = int(json_data['curPage'])
        total_page = int(json_data['totalPage'])
        if cur_page<total_page:
            #发起下一页请求
            next_page = cur_page+1
            next_url = 'https://bj.lianjia.com/ershoufang/pg%s/'%str(next_page)
            self.crawl(next_url,callback = self.index_page)
            
        #next_url = response.doc()
        #for each in response.doc('a[href^="http"]').items():
            #self.crawl(each.attr.href, callback=self.detail_page)

    @config(priority=2)
    def detail_page(self, response):
        print('二手房详情获取成功')
        #获取详情的数据
        info = {}
        #标题(获取标签的属性和文本)
        #info['title'] = response.doc('h1.main').attr.title
        info['title'] = response.doc('h1.main').text()
        #描述
        info['sub_title'] = response.doc('div.sub').text()
        #关注人数
        info['attenNum'] = response.doc('#favCount').text()
        #预约看房
        info['yuyueNum'] = response.doc('#cartCount').text()
        #总价
        info['price'] = response.doc('div.price.total').text()
        #每平
        info['unitPrice'] = response.doc('span.unitPriceValue').text()
        #规格
        info['room'] = response.doc('div.room div.mainInfo').text()
        #朝向
        info['type'] = response.doc('div.type div.mainInfo').text()
        #面积
        info['area'] = response.doc('div.area div.mainInfo').text()
        #小区名称
        info['aroundinfo'] = response.doc('div.communityName span.label').text()
        
        #print(info)
        
        return info
    
    def on_result(self,result):
        print('获取到了结果',result)
        if result:
            try:
                self.col.insert(result)
                print('数据存储成功')
                
                #sql = """
                #insert into lianjiadb(%s) values(%s)
                #"""
                #%(','.join(result.keys()),
                #','.join(['%s']*len(result)))
                #data = list(result.value())
                
                
            except Exception as err:
                print('数据插入失败',err)
                
            
        
        #return {
            #"url": response.url,
            #"title": response.doc('title').text(),
        #}

Overview(组件)

Scheduler（调度）

调度程序从处理器的newtask_queue接收任务。确定任务是新任务还是需要重新爬网。根据优先级对任务进行排序，并将其提供给具有流量控制的提取器（令牌桶算法）。处理定期任务，丢失任务和失败的任务，然后重试
以上所有都可以通过self.crawl API设置

Fetcher（提取程序）

Fetcher负责获取网页，然后将结果发送给处理器。对于灵活的，fetcher支持数据URI和由JavaScript呈现的页面（通过phantomjs）。可以通过API通过脚本控制获取方法，标头，cookie，代理，etag等。

Phantomjs Fetcher

Phantomjs Fetcher就像代理一样工作。它连接到一般的Fetcher，在启用JavaScript的情况下获取和渲染页面，将一般HTML输出回Fetcher

Processor（处理器）

理器负责运行用户编写的脚本来解析和提取信息。您的脚本在无限制的环境中运行。虽然我们有各种工具（如PyQuery）供您提取信息和链接，但您可以使用任何想要处理响应的内容。您可以参考脚本环境和API参考以获取有关脚本的更多信息

处理器将捕获异常和日志，发送状态（任务跟踪）和新任务scheduler，将结果发送到Result Worker。

WebUI

WebUI是一切的Web前端。它包含：

脚本编辑器，调试器
专案经理
任务监视器
结果查看器，导出器

也许webui是pyspider最吸引人的部分。有了这个功能强大的UI，您可以像pyspider一样逐步调试脚本。启动或停止项目。查找哪个项目出错并且哪个请求失败，然后使用调试器再次尝试。

Data flow（数据流）

pyspider中的数据流如上图所示：

on_start当您按下RunWebUI上的按钮时，每个脚本都有一个名为callback的回调。将新任务on_start作为项目条目提交给Scheduler。
调度程序将此on_start任务调度为数据URI作为Fetcher的常规任务。
Fetcher发出请求并对其做出响应（对于数据URI，这是一个虚假的请求和响应，但与其他正常任务没有区别），然后提供给处理器。
4.处理器调用该on_start方法并生成一些新的URL以进行爬网。处理器向Scheduler发送一条消息，表示此任务已完成，新任务通过消息队列发送到Scheduler（on_start在大多数情况下，这里没有结果。如果有结果，处理器将它们发送到result_queue）。
5.调度程序接收新任务，在数据库中查找，确定任务是新的还是需要重新爬网，如果是，则将它们放入任务队列。按顺序发送任务。
6.这个过程重复（从第3步开始）并且在WWW死亡之前不会停止;-)。调度程序将检查定期任务以抓取最新数据

self.crawl参数

url

要抓取的网址或网址列表

callback

the method to parse the response. _ default _: __ call __

def on_start(self):
    self.crawl('http://scrapy.org/', callback=self.index_page)

可选参数

age

任务的有效期。在此期间，该页面将被视为未修改。默认值：-1（从不重新抓取）

@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
    ...

回调解析的每个页面index_page都将被视为在10天内未被更改。如果您在上次抓取后的10天内提交任务，则会将其丢弃。

priority(优先级)

任务安排的优先级越高越好。默认值：0

def index_page(self):
    self.crawl('http://www.example.org/page2.html', callback=self.index_page)
    self.crawl('http://www.example.org/233.html', callback=self.detail_page,
               priority=1)

该页面233.html之前将被抓取page2.html。使用此参数可以执行BFS并减少队列中的任务数（这可能会花费更多的内存资源）

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2019-01-09 21:23:14
# Project: douyutv

from pyspider.libs.base_handler import *
import pymongo


class Handler(BaseHandler):
    crawl_config = {
        'Usea-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.110 Safari/537.36'
    }
    
    #创建mongodb数据库连接
    mongo_cli = pymongo.MongoClient('127.0.0.1',27017)
    #获取要操作的数据库
    db = mongo_cli['douyutv']
    #获取数据库下的集合
    col = db['douyutvcol']

    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('https://www.douyu.com/directory', callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        type_infos = response.doc('ul#live-list-contentbox li.unit ')
        #type_infos = response.etree.xpath('//ul[@id="live-list-contentbox"]/li[@class="unit "]')
        #print(type(type_infos))
        #print(type_infos)
        for type_info in type_infos.items():
            #print('aaaa')
            type_url = type_info('a').attr.href
            #type_url = type_info('./a/text()')
            #print(type_url)
            self.crawl(type_url,callback = self.detail_page)

    @config(priority=2)
    def detail_page(self, response):
        print('开始获取分类详情')
        detail_data = {}
        #首先获取房间信息
        detail_info = response.doc('ul#live-list-contentbox li')
        #房间标题
        #要遵循css语法，比如id用#,class用.  另外注意标签里的空格用.表示
        detail_data['title'] = detail_info('h3.ellipsis').text()
        #主播类型
        detail_data['type'] = detail_info('span.tag.ellipsis').text()
        #主播昵称
        detail_data['name'] = detail_info('span.dy-name.ellipsis.fl').text()
        #主播热度
        detail_data['hot'] = detail_info('span.dy-num.fr').text()
        
        print(detail_data)
        
        return detail_data
        
        #page_data = response.doc('div#J-pager a.shark-pager-item current')
        
        try:
            a = response.etree.xpath('//div[@J-pager]/a[@class="shark-pager-next"]')
            a.click()
            self.crawl(a,callback = self.detail_page)
        except Exception as err:
            print('没有下一页了')
           
    def on_result(self,result):
        print('获取到了结果',result)
        if result:
            try:
                self.col.insert(result)
                print('数据存储成功')                
            except Exception as err:
                print('数据插入失败',err)