pyspider总结

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

 

捕获.JPG

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

http://localhost:5000/

进入pyspider控制台

 

捕获.JPG

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'
    }