爬虫学习笔记（二十四）—— pyspider框架

Posted 别呀

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了爬虫学习笔记（二十四）—— pyspider框架相关的知识，希望对你有一定的参考价值。

文章目录

一、框架介绍

1.1、简介

pyspider 是个强大的由python实现的爬虫系统。

  • 纯python的
  • 强大的webui，支持脚本编辑，任务监控，项目管理和结果查看
  • 数据后台支持，mysql，MongoDB，Reids，SQLite，Elasticsearch，PostgreSQL和SQLAlchemy
  • 消息队列支持，RabbitMQ，Beanstalk，Redis以及Kombu
  • 支持任务优先级，定时，失败重试等调度方案
  • 分布式架构，抓取js页面
  • 支持Python2和3

1.2、安装(windows)

下载 pyspider

方式一:pip install pyspider

方式二(建议):pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspider

下载出错

1、运行 pyspider 运行报错误：

ValueError: Invalid configuration:
- Deprecated option 'domaincontroller': use 'http_authenticator.domain_controller' instead.

解决方案：删除wsgidav 然后重新安装2.4.1版本

(1)where wsgidav找到wsgidav的位置,删除wsgidav.exe

(2)pip install wsgidav==2.4.1 安装2.4.1版本

2、再次运行 pyspider 报错

ImportError: cannot import name 'DispatcherMiddleware'

解决方案:

  1. 卸载
pip uninstall werkzeug
  1. 安装指定版本
pip install werkzeug==0.16.0

3、再次运行 `pyspider` 运行成功

如果出现：

ImportError: cannot import name 'ContextVar'

你可以看下你在 成功执行下面语句时 有没有出现下面情况

pip install werkzeug==0.16.0

这个是你flask版本的问题，你只要降低下flask版本就行了

pip uninstall flask   #卸载
pip install flask==1.0   #我这里改成1.0就行了，改成其他低版本应该也没问题，有兴趣自己试下

1.3、Phantomjs 无界面浏览器

(windows环境）
(用途：就是可以执行js代码。。。)

1、下载

http://phantomjs.org/download.html

2、解压（phantomjs-2.1.1-windows.zip）
3、配置环境变量
将解压的bin目录的路径配置到环境变量中去

二、框架入门

2.1、启动pyspider

安装好pyspider后，创建一个项目文件夹用来存放相关文件，进入文件夹后运行pyspider命令，默认情况下会运行一个web服务端监听5000端口，通过127.0.0.1:5000即可访问pyspider的web管理界面，它看起来是这样的：

2.2、创建一个项目

点击右边的Create按钮，在弹出框里，填写项目名称，和起始url 。

创建完成后，窗口右边部分为代码编辑器，在这里你可以编写你的爬虫脚本。

2.3、脚本

from pyspider.libs.base_handler import *

class Handler(BaseHandler):
    crawl_config = {
    }

    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('http://scrapy.org/', callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc('a[href^="http"]').items():
            self.crawl(each.attr.href, callback=self.detail_page)

    @config(priority=2)
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }
  • def on_start(selef)是脚本的入口。当你点击run按钮时，它会被调用。
  • self.crawl(url, callback=self.index_page)是最重要的接口。它会添加一个新的待爬取任务。大部分的设置可以通过self.crawl的参数去指定。
  • def index_page(self, response)接收一个response对象。response.doc是一个pyquery对象，它有一个类似jQuery选择器一样的接口，去解析页面元素。
  • def detail_page(self, response)返回一个字典结果。这个结果默认会被写入resultdb（结果数据库）。你可以通过复写on_result(self, result)方法来按照你自己的需求处理结果。
  • @every(minutes=24 * 60)这个装饰器会告诉调度器，on_start方法将会每天被调用。
  • @config(age=10 * 24 * 60 * 60)指定当self.crawl爬取的页面类型为index_page(当callback=self.index_page)时的age参数的默认值。参数age可以通过self.crawl(url, age=10*24*60*60)和crawl_config来指定，直接在方法参数中指定具有最高的优先级。
  • age=10*24*60*60告诉调度器抛弃10天内爬取过的请求。默认情况下，相同URL不会被爬取两次，甚至你修改了代码。对于初学者来说，第一次运行项目然后修改它，在第二次运行项目的情况非常常见，但是它不会再次爬行（阅读itag了解解决方案）
  • @config(priority=2)标志着，detail page将会被优先爬取。

你可以通过点击绿色的run按钮，一步一步的调试你的脚本。切换到follows面板，点击play按钮前进。

2.4、运行项目

  1. 保存脚本

  2. 返回后台首页，找到你的项目

  3. 改变status为DEBUG或RUNNING

  4. 点击按钮run

补充：
删除项目：将status改为stop，将group改为delete，然后24小时后才会被删除（注意pyspider没法直接删除项目，只能这样等24小时就会自动删除）

三、小案例：豆瓣250信息

from pyspider.libs.base_handler import *
import json

class Handler(BaseHandler):
    crawl_config = {
    }

    @every(minutes=24 * 60)
    def on_start(self):
        print('开始啦')
        self.crawl('https://movie.douban.com/top250', callback=self.index_page,validate_cert=False)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        all_mes = response.etree.xpath('//div[@class="info"]')
        with open('film_mes.txt','w',encoding='utf-8') as f:
            for mes in all_mes:
                film_name = mes.xpath('./div/a/span[1]/text()')[0]
                score = mes.xpath('./div/div/span[2]/text()')[0]
                director = mes.xpath('./div/p/text()')[0].strip()

                item=dict()
                item['film_name'] = film_name
                item['score'] = score
                item['director'] = director
                data=json.dumps(item,ensure_ascii=False)+'\\n'
                f.write(data)

    @config(priority=2)
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }

四、架构

4.1、概述

下图显示了pyspider体系结构及其组件的概述，以及系统内部发生的数据流的概要。

组件之间通过消息队列进行连接。每一个组件都包含消息队列，都在它们自己的进程/线程中运行，并且是可以替换的。这意味者，当处理速度缓慢时，可以通过启动多个processor实例来充分利用多核cpu，或者进行分布式部署。

4.2、组件

1、Scheduler

调度器从processor返回的新任务队列中接收任务。判断是新任务还是需要重新爬取。通过优先级对任务进行分类，并且利用令牌桶算法将任务发送给fetcher. 处理周期任务，丢失的任务和失败的任务，并且稍后重试。

以上都可以通过self.crawl进行设置。

注意，在当前的调度器实现中，只允许一个调度器。

2、Fetcher

Fetcher的职责是获取web页面然后把结果发送给processor。请求method， headers， cookies， proxy， etag 等，都可以设置。

3、Processor

处理器的职责是运行用户编写的脚本，去解析和提取信息。您的脚本在无限制的环境中运行。尽管我们有各种各样的工具（如风PyQuery)供您提取信息和连接，您可以使用任何您想使用的方法来处理响应。

处理器会捕捉异常和记录日志，发送状态（任务跟踪）和新的任务给调度器，发送结果给Result Worker

4、Result Worker

Result Worker从Porcess接收结果。Pyspider有一个内置的结果处理器将数据保存到resultdb.根据您的需要重写它以处理结果。

5、WebUI

WebUI是一个面向所有内容的web前端。它包含：

  • 脚本编辑器，调试器
  • 项目管理器
  • 任务监控程序
  • 结果查看器和导出

也许webui是pyspider最吸引人的地方。使用这个强大的UI，您可以像pyspider一样一步一步地调试脚本。启动停止项目。找到哪个项目出错了，什么请求失败了，然后使用调试器再试一次。

6、Data flow

pyspider中的数据流如上图所示:

  1. 当您按下WebUI上的Run按钮时，每个脚本都有一个名为on_start的回调。作为项目的入口，on_start产生的新任务将会提交给调度器。
  2. 调度程序使用一个数据URI将这个on_start任务分派为要获取的普通任务。
  3. Fetcher对它发出一个请求和一个响应(对于数据URI，它是一个假的请求和响应，但与其他正常任务没有区别)，然后送给处理器。
  4. 处理器调用on_start方法并生成一些要抓取的新URL。处理器向调度程序发送一条消息，说明此任务已完成，并通过消息队列将新任务发送给调度程序(在大多数情况下，这里没有on_start的结果。如果有结果，处理器将它们发送到result_queue)。
  5. 调度程序接收新任务，在数据库中查找，确定任务是新的还是需要重新抓取，如果是，将它们放入任务队列。按顺序分派任务。
  6. 这个过程重复(从步骤3开始)，直到WWW死后才停止;-)。调度程序将检查定期任务，以抓取最新数据。

4.3、关于任务

任务是调度的基本单元。

基本原理

  • 任务由它的taskid(默认：md5(url), 可以通过重写get_taskid(self, task)方法来修改)来区分。
  • 不同项目之间的任务是隔离的
  • 一个任务有4个状态：
    • active
    • failed
    • success
    • bad-not used
  • 只有处于active状态的任务会被调度
  • 任务按优先次序执行。

调度

  1. 新任务

当一个新的任务(从未见过)出现:

  • 如果设置了exetime但没有到达，它将被放入一个基于时间的队列中等待。
  • 否则将被接受。

当任务已经在队列中：

  • 除非（force_update）强制更新，否则忽略

当一个完成过的任务出现时:

  • 如果age设置，且last_crawl_time + age < now 它将会被接受，否则抛弃。
  • 如果itag设置，且它不等于上一次的值，它会被接受，否则抛弃。
  1. 重试

当请求错误或脚本错误发生时，任务将在默认情况下重试3次。

第一次重试将在30秒、1小时、6小时、12小时后每次执行，任何更多的重试将推迟24小时。retry_delay是一个指定重试间隔的字典。这个字典中的元素是{retried:seconds}, 如果未指定，则使用特殊键：''空字符串指定的默认推迟时间。

例如默认的retry_delay声明如下：

class MyHandler(BaseHandler):
retry_delay = {
    0: 30,
    1: 1*60*60,
    2: 6*60*60,
    3: 12*60*60,
    '': 24*60*60
}

4.4、关于项目

在大多数情况下，项目是为一个网站编写的一个脚本。

  • 项目是独立的，但是可以用from Projects import other_project将另一个项目作为模块导入
  • 一个项目有5个状态：TODO,STOP,CHECKING,DEBUG和RUNNING
    • TODO - 刚创建，正在编写脚本
    • 如果您希望项目停止(= =)，可以将其标记为STOP。
    • CHECKING - 当正在运行的项目被修改时，为了防止未完成的修改，项目状态将被设置为自动检查。
    • DEBUG/RUNNING - 这两种状态对爬虫没有区别。但最好在第一次运行时将其标记为DEBUG，然后在检查后将其更改为RUNNING。
  • 爬行速率由rate 和burst并采用令牌桶算法进行控制。
    • rate - 一秒钟内有多少请求
    • burst - 考虑这种情况，RATE/BURST=0.1/3，这意味着蜘蛛每10秒抓取1个页面。所有任务都已完成，Project将每分钟检查最后更新的项目。假设找到3个新项目，pyspider将“爆发”并爬行3个任务，而不等待3*10秒。但是，第四个任务需要等待10秒。
  • 若要删除项目，请将“组”设置为“删除”，将“状态”设置为“停止”，然后等待24小时。

回调on_finished

您可以在项目中重写on_finished方法，当task_queue变为0时将触发该方法。

第一种情况：当您启动一个项目来抓取一个包含100个页面的网站时，当100个页面被成功抓取或重试失败时，on_finished回调将被触发。

第二种情况：带有auto_recrawl任务的项目永远不会触发on_finished回调，因为当其中有auto_recrawl任务时，时间队列永远不会变为0。

第三种情况：带有@every修饰方法的项目将在每次新提交的任务完成时触发on_finished回调。

4.5、脚本环境

变量

  • self.project_name
  • self.project 当前项目的详细信息
  • self.response
  • self.task

官方文档：http://docs.pyspider.org/en/latest/

关于脚本

  • handler的名称并不重要，但您需要至少一个继承basehandler的类
  • 可以设置第三个参数来获取任务对象:def callback(self、response、task)
  • 默认情况下，非200响应不会提交回调。可以使用@catch_status_code_error来处理非200响应

关于环境

  • logging,print以及异常会被捕获。
  • 你可以通过from projects import some_project将其他项目当做模块导入。

Web view

  • 以浏览器呈现的方式查看页面(大约)

HTML view

  • 查看当前回调的html（索引页、细节页等）

Follows view

  • 查看可从当前回调进行的回调
  • 索引页面跟随视图将显示可执行的详细页面回调。

Messages view

  • 显示self.send_message发送的消息

Enable CSS Selector Helper

  • 启用Web视图的CSS选择器帮助程序。它获取您单击的元素的CSS选择器，然后将其添加到脚本中。

4.6、处理结果

从WebUI下载和查看数据很方便，但可能不适用于计算机。

使用resultdb

虽然resultdb仅用于结果预览，但不适用于大规模存储。

但是，如果您想从resultdb中获取数据，那么有一些使用数据库API的简单案例可以帮助您连接和选择数据。

from pyspider.database import connect_database
resultdb = connect_database("<your resutldb connection url>")
for project in resultdb.projects:
    for result in resultdb.select(project):
        assert result['taskid']
        assert result['url']
        assert result['result']

result['result']是由你编写的脚本中的RETURN语句提交的对象。

使用ResultWorker

在生产环境中，你可能希望将pyspider连接到你的系统的处理管道，而不是将结果存储到resultdb中。强烈建议重写ResultWorker。

from pyspider.result import ResultWorker

class MyResultWorker(ResultWorker):
    def on_result(self, task, result):
        assert task['taskid']
        assert task['project']
        assert task['url']
        assert result
        # your processing code goes here

result是你脚本中return语句提交的对象。

您可以将这个脚本（例如，my_result_worker.py）放在启动pyspider的文件夹中。

为result_worker子命令添加参数：

pyspider result_worker --result-cls=my_result_worker.MyResultWorker

或者,如果你使用配置文件

{
  ...
  "result_worker": {
    "result_cls": "my_result_worker.MyResultWorker"
  }
  ...
}

为了兼容性，将存储在数据库中的结果编码为JSON。强烈建议您设计自己的数据库，并覆盖上面描述的ResultWorker。

-----关于结果的小技巧

想要在回调中返回多个结果?

resultdb会通过taskid(url)对结果进行去重，后面的结果会覆盖前面的。

一个解决方案是使用send_message API为每个结果生成一个伪taskid。

def detail_page(self, response):
    for li in response.doc('li').items():
        self.send_message(self.project_name, {
            ...
        }, url=response.url+"#"+li('a.product-sku').text())

def on_message(self, project, msg):
    return msg

以上是关于爬虫学习笔记（二十四）—— pyspider框架的主要内容，如果未能解决你的问题，请参考以下文章

爬虫框架pyspider的使用

常用Python爬虫框架汇总

第三百二十四节，web爬虫，scrapy模块介绍与使用

python爬虫用啥框架

Python爬虫(二十四)_selenium案例：执行javascript脚本

Python爬虫框架--pyspider初体验