爬虫框架Sasila----乞丐版scrapy+webmagic+pyspider

阅读 796
收藏 22
2017-07-06
原文链接:www.jianshu.com

  现在有很多爬虫框架,比如scrapywebmagicpyspider,也可以直接通过requests+ beautifulsoup来写一些个性化的小型爬虫脚本。但是在实际爬取过程当中,爬虫框架各自有各自的优势和缺陷。所以我模仿这些爬虫框架的优势,搭配gevent(实际上是grequests)开发了这套轻量级爬虫框架。


主要特点

  • 框架代码结构简单易用,易于修改。例如针对出现验证码的处理方法。
  • 采用gevent实现并发操作,与scrapy的twisted相比,代码更容易理解。
  • 完全模块化的设计,强大的可扩展性。
  • 使用方式和结构参考了scrapywebmagic。对有接触过这两个框架的朋友非常友好。
  • 对数据的解析模块并没有集成,可以自由使用beautifulsouplxmlpyqueryhtml5lib等等各种解析器进行数据抽取。
  • 集成代理换IP功能。
  • 支持多线程。
  • 支持分布式。
  • 支持增量爬取。
  • 支持爬取js动态渲染的页面。
  • 提供webapi对爬虫进行管理、监控。
  • 提供即时爬虫的集成思路和结构。

安装

pip install sasila

准备

  • 请准备好您的redis服务器进行调度。
  • 并在settings.py文件中 写入您的redis服务器地址

    REDIS_HOST = 'localhost'
    REDIS_PORT = 6379

    构建processor(解析器)

    from bs4 import BeautifulSoup as bs
    from sasila.slow_system.base_processor import BaseProcessor
    from sasila.slow_system.downloader.http.spider_request import Request
    from sasila.slow_system.core.request_spider import RequestSpider
    class Mzi_Processor(BaseProcessor):
      spider_id = 'mzi_spider'
      spider_name = 'mzi_spider'
      allowed_domains = ['mzitu.com']
      start_requests = [Request(url='http://www.mzitu.com/', priority=0)]
    
      @checkResponse
      def process(self, response):
          soup = bs(response.m_response.content, 'lxml')
          print soup.title.string
          href_list = soup.select('a')
          for href in href_list:
              yield Request(url=response.nice_join(href['href']))

    写法与scrapy几乎一样

  • 所有的解析器都继承自 BaseProcessor ,默认入口解析函数为def process(self, response)。

  • 为该解析器设置spider_id和spider_name,以及限定域名。
  • 初始爬取请求为 start_requests,构建Request对象,该对象支持GET、POST方法,支持优先级,设置回调函数等等所有构建request对象的一切属性。默认回调函数为 process
  • 可以使用@checkResponse装饰器对返回的 response 进行校验并记录异常日志。你也可以定义自己的装饰器。
  • 解析函数因为使用 yield 关键字,所以是一个生成器。当 yield 返回 Request 对象,则会将 Request 对象推入调度器等待调度继续进行爬取。若 yield 不是返回 Request 对象则会进入 pipelinepipeline 将对数据进行清洗入库等操作。

构建pipeline

from sasila.slow_system.pipeline.base_pipeline import ItemPipeline
class ConsolePipeline(ItemPipeline):
    def process_item(self, item):
        print json.dumps(item).decode("unicode-escape")

构建spider(爬虫对象)

  • 通过注入 processor 生成spider对象
    from sasila.slow_system.core.request_spider import RequestSpider
    spider = RequestSpider(Mzi_Processor())
  • RequestSpider对象包含批下载数量 batch_size,下载间隔 time_sleep,使用代理 use_proxy 等一切必要的属性
    RequestSpider(processor=None, downloader=None, use_proxy=False,scheduler=None,batch_size=None,time_sleep=None)
  • 本项目集成使用代理IP的功能,只要在构建RequestSpider时将 use_proxy 设置为 True,并在脚本同级目录下放置proxy.txt文件即可。你也可以在settings.py文件中写入代理IP文件路径。
    PROXY_PATH_REQUEST = 'proxy/path'
  • RequestSpider已经默认设置好了 downloaderscheduler,如果不满意,可以自己进行定制。
  • 可以为spider设置 downloaderpipeline 甚至 scheduler
    spider = spider.set_pipeline(ConsolePipeline())
  • 可以通过该方式启动爬虫
    spider.start()
  • 也可以将spider注入manager进行管理
    from sasila.slow_system.manager import manager
    manager.set_spider(spider)
    sasila.start()

访问 http://127.0.0.1:5000/slow_spider/start?spider_id=mzi_spider 来启动爬虫。
访问 http://127.0.0.1:5000/slow_spider/stop?spider_id=mzi_spider 来停止爬虫。
访问 http://127.0.0.1:5000/slow_spider/detail?spider_id=mzi_spider 来查看爬虫详细信息。

针对需要登录才能爬取的处理办法

  • 可以为downloader加载登录器(loginer),在使用downloader的时候使用loginer进行登录获取cookies,再进行爬取
  • 也可以自己定义一个cookie池,批量进行登录并将登录成功的cookies放进cookie池中随时进行取用。项目中暂时没有这些功能。欢迎pull request~

架构


  • 任务由 scheduler 发起调度,downloader 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(发往 scheduler),形成闭环。
  • 每个脚本被认为是一个spider,spiderid确定一个任务。
  • downloader
  • method, header, cookie, proxy,timeout 等等抓取调度控制。
  • 可以通过适配类似 phantomjs 的webkit引擎支持渲染。
  • processor
  • 灵活运用pyquery,beautifulsoup等解析页面。
  • 在脚本中完全控制调度抓取的各项参数。
  • 可以向后链传递信息。
  • 异常捕获。
  • scheduler
  • 任务优先级。
  • 对任务进行监控。
  • 对任务进行去重等操作。
  • 支持增量。
  • webApi
  • 对爬虫进行增删改查等操作。

非及时爬虫流程图

即时爬虫

即时爬虫是可以通过api调用,传入需要爬取的页面或者需求,即时爬取数据并返回结果。现阶段开发并不完善。仅提供思路参考。示例核心代码在 sasila.immediately_system 中。


即时爬虫-获取数据流程图
即时爬虫-授权流程图

为啥叫Sasila

作为一个wower,你可以猜到吗ヾ( ̄▽ ̄)

项目地址

评论