Pyspider

pyspider是由国人(binux)编写的强大的网络爬虫系统

ptspider带有强大的webui / 脚本编辑器 / 任务监控器 / 项目管理器以及结果处理器。他支持多种数据库后端 / 多种消息队列 / javascript 渲染页面爬去。使用起来非常方便

基本功能

1. 提供了方便易用的 webui 系统，可视化的编写和调试爬虫
2. 提供爬去进度监控 / 爬去结果查看 / 爬虫项目管理等功能
3. 支持多种后端数据库，如：mysql / mongodb / rides 等
4. 支持多种消息队列，如：rabbimmq / beanstalk / redis / kombu
5. 提供优先级控制 / 失败重试 / 定时抓取等
6. 对接了phantonjs。可以抓取javascript 渲染的页面
7. 支持单机和分布式部署，支持 docker 部署

pyspider 和 scrapy

pyspider  - 提供了 webui ，爬虫编写 / 调试都是在webui 中进行的。
scrapy    - 原生是不具备这个功能的，他采用的代码和命令行的操作，但是可以通过对接portia 实现可视化配置

pyspider  - 调试非常便捷，webui 操作便捷直观
scrapy    - 是使用parse 命令进行调试，方便程度不及pyspider

pyspider  - 支持phantomjs 来进行javascript 渲染页面的采集。
scrapy    - 可以对接scrapy-splash组件实现，不过需要额外的配置

pyspider  - 中内置了pyquery 作为选择器
scrapy    - 对接了 xpath / css 选择器和正则

pyspider  - 的可扩展程度不足，可配置化程度不高。
scrapy    - 可以通过对接middleware / pipelinc / extension 等组件来实现非常强大的功能。模块之间的耦合度低，可扩展性高

 如果要快速实现一个页面的抓取，推荐使用 pyspider ，开发更便捷 ，如：爬去某个新闻网站内容

如果要对应反爬程度很大，规模较大的爬去。推荐使用 scrapy ，如：封ip / 封账号风险大，高频率验证的网站

pyspider 架构

pyspider 架构主要分为 scheduler（调度器）/ fetcher（抓取器）/ processer（处理器）三个部分，整个爬去过程受到 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，然后将新生成的 request 发送给 scheduler 进行调度，将生成的提取结果输出保存

执行逻辑

pyspider 的任务执行流程逻辑很清晰。

1. 每个 pyspider 的项目对应一个python 脚本，该脚本中定义了一个 handler 类，他有一个 on_start() 方法，爬去守底线调用 on_start() 方法生成最初的抓取任务。然后发送给 scheduler 进行调度
2. 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
3. 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result worker 处理
4. scheduler 接收到新的的抓取任务，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，然后将其返回给 fetcher 进行抓取
5. 不断重复以上工作。直到所有的人物都执行完毕，抓取结束
6. 抓取结束后。程序会回调 on_start() 方法，这里可以定义后处理过程

pyspider基本使用

环境准备：

• pyspider
• phantomjs
• mongodb
• pymongo

在下载pyspider 时会遇到报错

在  中下载python 对应的版本及计算机位数

 切换目录至下载文件所在目录。进入cmd。进行安装

然后重新打开cmd，进行pip install pyspider，如果安装途中出现了。错误多试几次。即可

运行 pyspider -- pyspider all

启动的时候可能一直卡在result_worker starting 或者 出现报错

valueerror: invalid configuration: - deprecated option 'domaincontroller': use 'http_authenticator

如果出现卡顿状态。在出现 result_worker starting 之前 使用 ctrl + c 终止。在次启动即可。

 

如果出现了报错。原因是因为wsgidav发布了版本 pre-release 3.x。在安装包中找到pyspider的资源包，然后找到webui文件里面的webdav.py文件打开，修改第209行即可。

目标位置 ： 'domaincontroller': needauthcontroller(app),


更改为 ：　　http_authenticator':{
        　　　　'httpauthenticator':needauthcontroller(app),
   　　　　 },

再次输入pyspider all 即可

打开浏览器127.0.0.1：5000或者http://localhost:5000/ 打开pyspider的web ui界面，

创建项目

create --> project name --> start url(s) -- > create

 

 

 

在上面的页面中：

• 左侧为代码调试界面
• run为单步调试爬虫程序，
• 左侧下半部分可以预览当前的爬虫页面
• 右侧部分为代码编辑和保存

在创建好项目时。pyspider 就已经帮我生成了一小段代码(右侧部分)，这里的 handler 就是 pyspider 爬虫的主类。可以在这里定义爬虫 / 解析 / 存储的逻辑，整个爬虫只需要一个 handler 就可以完成

在 handler 类中：

crawl_config -- 这个类属性可以将整个项目的配置统一写在这个(代理 等)，配置之后全局生效

on_start() -- 这是爬虫入口，初时的爬取请求会在这里产生，该方法通过调用crawl() 方法即可新建一个爬取请求，它的第一个参数为爬取的 url，这里会自动生成为创建项目时输入的 url，crawl() 还有有一个参数为 callback,它指定了这个页面爬取完毕后使用哪个方法进行解析

index_page() -- 结合上面代码。发现。on_start() 方法。爬取结束后。将 response 交给 index_page()解析。index_page() 对接了 pyquery，直接使用 doc()来解析页面，解析后进行了便利。调用了 crawl() 方法。又生成了新的爬取请求，同时又指定了 callback

detail_page() -- 同样接收了 response 作为参数。detail_page() 爬取的是详情页的信息，就不会产生新的请求，只对response 对象做解析，解析之后将结果以字典的形式返回

 在点击 run 时。如果出现了报错：

http 599: ssl certificate problem: self signed certificate in certificate chain

在 crawl 方法中加入忽略证书验证的参数，validate_cert=false

如果出现了：

[e 160329 14:00:56 base_handler:194] crawl() got unexpected keyword argument: ['validate_cert']

无法匹配到 validate_cert 参数，那么则是 pyspider 本身的问题，可以在github下载0.4.0版本

下载完毕后进行解压。将 pyspider 下的所有文件目录 更新到之前的 pyspider 中

如果。出现了web 预览页面大小问题。可以在 c:\python36\lib\site-packages\pycparser\webui\static\debug.min.css 中 找到 iframe ，将其替换为 iframe{border-width:0;width:100%;height:900px !important}

更改完毕后。清空浏览器缓存，重启浏览器即可。

案列：

以去哪网为案列

 

点击run。调用on_start()方法。生成新的请求（follows提示），点击follows，在点击小箭头。发起请求

可以点击web / html 预览页面和查看源代码

可以使用spider 提供的 css选择器来定位某个标签。来进行查找内容

点击save后。点击run，获取当前页面的所有url（代码之前写好的。会出现不同现象）

由于要获取多个页面的信息。所以在代码部分。需要添加，会看到最有最后一条是第二页的url

点击其中的某一条后的小箭头。点击run。返回详情页的信息

利用css选择器进行定位。在 detail_page 方法中进行获取详细信息

在项目首页中可以看到下面所展示

1. group ：定义分组。方便管理
2. rate / burst ：代表当前的爬取速率，rate代码一秒发出多少个请求，burst相当于流量控制中的令牌算法的令牌数量。rate / burst 越大。爬取速率越快。
3. progress ：5m / 1h / 1d 代表最近5分钟 / 1小时 / 一天内的请求情况。all 代表所有的请求情况，颜色不同代表不同的状态，蓝色代表等待被执行的请求，绿色代表成功的请求，黄色代表请求失败后等在重试的请求，红色代表失败次数过多而被忽略的请求
4. run ：执行
5. actice tasks ：查看最近请求的详细情况
6. result ：查看爬取结果

 

 以上就是pyspider 的使用