前言
pyspider是支持WebUI的,支持任务监控,项目管理,以及多种数据库的一个强大的爬虫框架,这个真的很好用!!!这主要不是教大家怎么使用,怎么怎么样,主要是让大家懂运行的原理,以及框架的整体结构!
今天主要是分为这几部分:
1.为什么要使用pyspider?
2.pyspider的安装
3.pyspider简单使用
4.pyspider框架的架构和执行流程
一、为什么要使用pyspider?
我们很好奇,我们明明有了Scrapy框架,为什么还要使用pyspider框架呢?我们说两点
- pyspider的优点,它有这么几个优点
1.提供WebUI界面,调试爬虫很方便
2.可以很方便的进行爬取的流程监控和爬虫项目管理
3.支持常见的数据库
4.支持使用PhantomJS,可以抓取JavaScript页面
5.支持优先级定制和定时爬取等功能 - 和Scrapy的比较
1.pyspider 提供 WebUI,Scrapy它采用的是代码和命令行操作,但可以通过对接 Portia 现可视化配置
2.pyspider 支持 PhantomJS来进行 JavaScript 谊染页面的采集 Scrapy 可以对接 Sc rapy-Splash组件,这需要额外配置
3.pyspider 中内置pyquery 作为选择器而Scrapy 接了XPath 对接css选择器和正则匹配
4.pyspider的可扩展程度不高,Scrapy可以通过对接其他的模块实现强大的功能,模块之间的耦合度低 - 总结
所以如果要快速实现一个页面的抓取,推荐使用 pyspider,开发更加便捷,如果要应对反爬程度很强、超大规模的抓取,推荐使用 Scrapy ,
二、pyspider的安装
pyspider的安装相对简单,不需要安装一些列的依赖库直接使用
pip install pyspider
然后等待安装成功就行,也可以使用源码安装 pyspider源码
三、pyspider的简单使用
1.安装之后先验证是否安装成功,在CMD下输入
pyspider
或者
pyspider all
两者是一样的,新的pyspider框架已经整合了,所以使用pyspider就好
出现这个则说明运行成功,运行在5000端口,当然这个可以改
2.打开浏览器,输入
进入pyspider控制台
出现这个则说明你的框架没什么问题!!!
我把框架的执行分为了这么几部分
- 创建
- 执行
- 调试
-
结果
我们分别来一步步说一下
1.创建
捕获.JPG
点击create开始创建
捕获2.JPG
弹出两个东西,project name 是你项目的名称 start url 是你要爬取的链接,分别输入以后,再次点击右下角的create,完成创建
1.JPG
整个右边部分,分为这么几个东西
1.右上角的save 是保存按钮,更改代码之后几点保存
2.左上角的#后面的是你创建的一些参数,如创建时间,爬取域名,编码格式等
3.下面的代码部分是创建项目自动生成的,你可以添加一些你自己的东西,我们在这里完成整个项目的爬取、解析、以及保存等工作。 -
crawl_config:项目的所有爬取配置统一定义到这里,如定义 Headers 、设置代理等,配置之后全局生效
@every:设置定时爬取的时间,minutes=24*60表示每天执行一次。
on_start:爬取入口,当执行run时会调用此方法。
self.crawl:该方法是爬取的主方法,被on_start调用,即可新建一个爬取请求,这里面有这么几个参数第一个参数是爬取的 URL ,这里自动替换成我们所定义的 URL ,还有 个参数 callback ,它指定了这个页面爬取成功后用哪个方法进行解析,代码中指定为 Idex_page()方法,即如果这个 URL 对应的页面爬取成功了,那 Response 将交给 index_page ()方法解析。 -
@config(age=10 * 24 * 60 * 60) 这个设置告诉scheduler(调度器)这个request(请求)过期时间是10天, 10天内再遇到这个请求直接忽略。这个参数也可以在self.crawl(url, age=10*24*60*60) 和 crawl_config中设置。 @config(priority=2) 这个是优先级设置。数字越大越先执行。
index_page:方法接收这个 Response 参数,我们直接调用 response.doc()方法获得一个pyquery对象,传入相应的css 选择器,就可以像jQuery 一样解析此页面,代码中默认是 a[href"="http ”],也就是说该方法解析了页面的所有链接,然后将链接遍历,再次调用了 crawl ()方法生成了新的爬请求,同时再指定了 callback为detail_page ,意思是说这些页面爬取成功了就调用 detail_page方法解析这里,index_page ()实现了两个功能,一是将爬取的结果进行解析, 二是生成新的爬取请求
detail age:接收 Response 作为参数该方法抓取的就是详情页的信息,不会生成新的请求,只对 Response 对象做解析,解析之后将结果以字典的形式返回,将结果保存到数据库捕获.JPG - 点击左上角的pyspider可以返回主控制界面
- 右上角的run可以让程序开始运行
- 底边一排功能从左到右依次是 enable css selector helper:快捷替换css选择器 web:产看该URL下的web界面,html:产看该url下的HTML格式 ,follows:查看一共发起了多少个请求
2.执行点击run可以看到暂时执行后的结果
3.如果不正确,或者爬取信息有误,对右边代码部分进行调试
4.最后返回到控制界面,把status改成running,并点击后面的run按钮开始执行
分别显示5m、1h、1d5分钟一小时以及一天的爬取结果,绿色表示成功,红色表示请求次数太多而放弃,蓝色表示等待执行
一般的使用过程就是确定爬取的网站,创建项目,在crawl_config里进行配置,在index_page里确定要爬取的url,在detail_page里确定要爬取的数据信息
四、pyspider框架的架构和执行流程
1.pyspider框架的架构
pyspider的架构相对简单分为这么几个部分:scheduler(调度器)、fetcher(抓取器)、processor(脚本执行)任务由 scheduler发起调度,fetcher抓取网页内容, processor执行预先编写的py脚本,输出结果或产生新的提链任务(scheduler)、整个爬取的过程受,Monitor(监控器)的监控,结果保存在Result Worker(结果处理器)中。
2.每个 pyspider 的项目对应一个 Python 脚本,该脚本中定义了一个Handler 类,它有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
3.执行流程
- 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 url,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Scheduler 如果生成了提取结果,则将其发送到结果队列等待 Result Worker 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
- 不断重复以上流程实现抓取
五、出现错误
pyspider安装和使用出现的一些问题
初学pyspider跳过的坑
pyspider 会自动去重,抓过的连接不会重新抓取
可采用如下措施使其重新抓取:
class Handler(BaseHandler): crawl_config = { 'itag': 'v223' }