Python3 爬虫学习笔记第十八章 —— 【爬虫框架 pyspider — 深入理解】

【18.1】启动参数

常用启动命令：pyspider all，完整命令结构为：pyspider [OPTIONS] COMMAND [ARGS]，OPTIONS 为可选参数，包含以下参数：

  • -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
  • –add-sys-path / –not-add-sys-path：将当前工作目录添加到python lib搜索路径
  • –version：显示 pyspider 的版本信息
  • –help：显示帮助信息

配置文件为一个 JSON 文件，一般为 config.json 文件，常用配置如下：

1
2
3
4
5
6
7
8
9
10
11
12
{
  "taskdb": "mysql+taskdb://username:password@host:port/taskdb",
  "projectdb": "mysql+projectdb://username:password@host:port/projectdb",
  "resultdb": "mysql+resultdb://username:password@host:port/resultdb",
  "message_queue": "amqp://username:password@host:port/%2F",
  "webui": {
  	"port": 5000,
    "username": "some_name",
    "password": "some_passwd",
    "need-auth": true
  }
}

可以设置对应的用户名，密码，端口等信息，使用命令 pyspider -c config.json all 即可运行

【18.2】运行单个组件

pyspider 的架构主要分为 Scheduler（调度器）、Fetcher（抓取器）、Processer（处理器）三个部分，都可以单独运行，基本命令： pyspider [component_name] [options]

【18.2.1】运行 Scheduler

1
pyspider scheduler [OPTIONS]
1
2
3
4
5
6
7
8
9
10
11
12
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
  --fail-pause-num INTEGER 上次失败时自动暂停项目暂停次数，任务失败，将0设置为禁用
  --scheduler-cls TEXT     Scheduler 使用的类
  --threads TEXT           ThreadBaseScheduler 的线程号，默认值：4
  --help                   显示帮助信息

【18.2.2】运行 Fetcher

1
pyspider fetcher [OPTIONS]
1
2
3
4
5
6
7
8
9
10
11
12
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
  --phantomjs-endpoint TEXT  phantomjs 的端点，通过 pyspider 启动 phantomjs
  --splash-endpoint TEXT     执行 splash 的端点：http://splash.readthedocs.io/en/stable/api.html execut
  --fetcher-cls TEXT         Fetcher 使用的类
  --help                     显示帮助信息

【18.2.3】运行 Processer

1
pyspider processor [OPTIONS]
1
2
3
4
Options:
  --processor-cls TEXT  Processor 使用的类
  --process-time-limit INTEGER    脚本处理时间限制
  --help                          显示帮助信息

【18.2.4】运行 WebUI

1
pyspider webui [OPTIONS]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Options:
  --host TEXT                   运行地址
  --port INTEGER                运行端口
  --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 值
  --max-burst FLOAT             每个项目最大的 burst 值
  --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
  --process-time-limit INTEGER  调试中的脚本处理时间限制
  --help                        显示帮助信息

【18.3】crawl() 方法各参数

参数文档：http://docs.pyspider.org/en/latest/apis/self.crawl/

  • url：爬取目标 URL，可以定义为单个 URL 字符串，也可以定义成 URL 列表
  • callback：回调函数，指定了该 URL 对应的响应内容用哪个方法来解析，示例：
1
2
def on_start(self):
  self.crawl('http://www.itrhx.com/', callback=self.index_page)

代码解释：指定 callback 为 index_page，代表爬取 http://www.itrhx.com/ 得到的响应会用 index_page() 方法来解析，而 index_page() 方法的第一个参数就是响应对象，如下所示：

1
2
def index_page(self, response):
  pass
  • 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，有如下两种设置方法：
1
2
def on_start(self):
  self.crawl('http://www.itrhx.com/', callback=self.callback, age=10*24*60*60)
1
2
3
@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，如下所示，2.html 页面将会优先爬取：
1
2
3
def index_page(self):
  self.crawl('http://www.itrhx.com/1.html', callback=self.index_page)
  self.crawl('http://www.itrhx.com/2.html', callback=self.detail_page, priority=1)
  • exetime：设置定时任务，其值是时间戳，默认是 0，即代表立即执行，如下所示表示该任务会在 30 分钟之后执行：
1
2
3
import time
def on_start(self):
  self.crawl('http://www.itrhx.com/', callback=self.callback, exetime=time.time()+30*60)
  • retries：定义重试次数，其值默认是 3
  • itag：设置判定网页是否发生变化的节点值，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，如下所示：
1
2
3
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())

代码解释：设置 update-time 这个节点的值为 itag，在下次爬取时就会首先检测这个值有没有发生变化，如果没有变化，则不再重复爬取，否则执行爬取

  • auto_recrawl：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，如下所示：
1
2
def on_start(self):
  self.crawl('http://www.itrhx.com/', callback=self.callback, age=5*60*60, auto_recrawl=True)

代码解释：定义 age 有效期为 5 小时，设置了 auto_recrawl 为 True，这样任务就会每 5 小时执行一次

  • method：HTTP 请求方式，默认为 GET，如果想发起 POST 请求，可以将 method 设置为 POST
  • params：定义 GET 请求参数，如下所示表示两个等价的爬取任务：
1
2
3
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：POST 表单数据，当请求方式为 POST 时，我们可以通过此参数传递表单数据，如下所示：
1
2
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，如下所示：
1
2
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：在初始化连接时的最长等待时间，默认为 20 秒
  • timeout：抓取网页时的最长等待时间，默认为 120 秒
  • allow_redirects：确定是否自动处理重定向，默认为 True
  • validate_cert：确定是否验证证书，此选项对 HTTPS 请求有效，默认为 True
  • proxy：爬取时使用的代理，支持用户名密码的配置，格式为 username:password@hostname:port，如下所示：
1
2
def on_start(self):
  self.crawl('http://httpbin.org/get', callback=self.callback, proxy='127.0.0.1:9743')

也可以设置 craw_config 来实现全局配置，如下所示：

1
2
class Handler(BaseHandler):
  crawl_config = {'proxy': '127.0.0.1:9743'}
  • 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，如下所示：
1
2
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，如下所示，页面加载成功后将执行页面混动的 JavaScript 代码，页面会下拉到最底部：
1
2
3
4
5
6
7
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：代表 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：JavaScript 渲染页面时的窗口大小
  • load_images：在加载 JavaScript 页面时确定是否加载图片，默认为否
  • save：在不同的方法之间传递参数，如下所示：
1
2
3
4
5
6
def on_start(self):
  self.crawl('http://www.example.org/', callback=self.callback,
             save={'page': 1})

def callback(self, response):
  return response.save['page']
  • cancel：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：即使任务处于 ACTIVE 状态，那也会强制更新状态

【18.4】任务区分

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 ID 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

某些情况下，请求的链接是同一个，但是 POST 的参数不同，这时可以重写 task_id() 方法，利用 URL 和 POST 的参数来生成 ID，改变这个 ID 的计算方式来实现不同任务的区分：

1
2
3
4
import json
from pyspider.libs.utils import md5string
def get_taskid(self, task):
    return md5string(task['url']+json.dumps(task['fetch'].get('data', '')))

【18.5】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并：

1
2
3
4
5
class Handler(BaseHandler):
    crawl_config = {
        'headers': {'User-Agent': 'GoogleBot',}
        'proxy': '127.0.0.1:9743'
    }

【18.6】定时爬取

通过 every 属性来设置爬取的时间间隔，如下代码表示每天执行一次爬取：

1
2
3
4
@every(minutes=24 * 60)
def on_start(self):
    for url in urllist:
        self.crawl(url, callback=self.index_page)

注意事项：如果设置了任务的有效时间（age 参数），因为在有效时间内爬取不会重复，所以要把有效时间设置得比重复时间更短，这样才可以实现定时爬取

错误举例：设定任务的过期时间为 5 天，而自动爬取的时间间隔为 1 天，当第二次尝试重新爬取的时候，pyspider 会监测到此任务尚未过期，便不会执行爬取：

1
2
3
4
5
6
7
@every(minutes=24 * 60)
def on_start(self):
    self.crawl('http://www.itrhx.com/', callback=self.index_page)

@config(age=5 * 24 * 60 * 60)
def index_page(self):
    pass
 上一页

 爬虫  猫眼电影

 评论


Copyright 2018-2019 TRHX'BLOG   |   鄂ICP备19003281号-4  |   正在载入...   |   站点地图  |   站长统计

PoweredHexo
HostedGitHub & Coding
DNRAliyun
CDNjsDelivr
ThemeMaterial X
BY-NC-SA 4.0
Link996.ICU
UV
PV
WordCount110.9k