爬虫框架pyspider的使用

Posted 2021-01-26 qfjavabd

　　j概要：了解了爬虫的基础知识后，接下来我们来使用框架来写爬虫，用框架会使我们写爬虫更加简单，接下来我们来了解一下，pyspider框架的使用，了解了该框架，妈妈再也不用担心我们的学习了。

　　前期准备：

　　1、安装pyspider：pip3 install pyspider

　　2、安装Phantomjs：在官网下载解压后，并将pathtomjs.exe拖进安装python路径下的Scripts下即可。

　　下载地址：https://phantomjs.org/dowmload.html

　　官方API地址：http://www.pyspider.cn/book/pyspider/self.crawl-16.html

　　2、用法(这里只简要介绍，更多请看官方文档)：

　　1、首先启动pyspider

　　在黑窗口中输入pyspider all 即可看到如下。

　　

 

　　提醒我们在http://localhost:5000端口打开即可。(注意不要关闭!)

　　打开后点击右边的Create创建项目，Project Name是项目名称，

　　Start URL(s)是你要爬取的地址点击Create就可以创建一个项目。

　　2、了解pyspider的格式和过程

　　创建之后我们会看到如下：

　　

?

 

　　Handler方法是pysqider的主类，继承BaseHandler，所有的功能，只需要一个Handler就可以解决。

　　crawl_config = {}表示全局的配置，比如可以之前学的那样，定义一个headers

　　@every(minutes=24 * 60)every属性表示爬取的时间间隔，minutes=24*60即是一天的意思，也就是说一天爬取一次。

　　on_start方法：是爬取的入口，通过调用crawl方法来发送请求，

　　callback=self.index_page：callback表示回调函数，也就是说将请求的结果交给index_page来处理。

　　@config(age=10 * 24 * 60 * 60)是设置任务的有效时间为10天，也就是说在10天内不会重复执行。

　　index_page函数：就是进行处理的函数，参数response，表示请求页面的返回内容。

　　接下来的内容相必大家也看得懂，通过pyquery解析器(pyspider可以直接使用该解析器)获取所有的链接。并依次去请求。然后调用detail_page来处理，得到我们想要的东西。

　　@config(priority=2)priority表示爬取的优先级，没有设置默认为0，数字越大，可优先调用。

　　crawl的其他参数：

　　exetime:表示该任务一个小时候执行

　　self.crawl(‘http://maoyan.com/board/4‘, callback=self.detail_page,exetime=time.time()+60*60)

　　retries：可以设置重复次数，默认为3

　　auto_recrawl:设置为True时，当任务过期，即age的时间到了之后，再次执行。

　　method：即HTTP的请求方式默认为get

　　params：以字典的形式添加get的请求参数

　　self.crawl(‘http://maoyan.com/board/4‘, callback=self.detail_page,params={‘a‘:‘123‘,‘b‘:‘456‘})

　　data：post的表单数据，同样是以字典的形式

　　files：上传文件

　　self.crawl(‘http://maoyan.com/board/4‘, callback=self.detail_page,method=‘post‘,files={filename:‘xxx‘})

　　user_agent:即User-Agent

　　headers:即请求头信息

　　cookies：字典形式

　　connect_timeout:初始化的最长等待时间，默认20秒

　　timeout：抓取页面的最长等待时间

　　proxy:爬取时的代理，字典形式

　　fetch_type:设置成js即可看到javascript渲染的页面，需要安装Phantomjs

　　js_script：同样，也可以执行自己写的js脚本。如：

　　self.crawl(‘http://maoyan.com/board/4‘, callback=self.detail_page,js_script=‘‘‘

　　function(){

　　alert(‘123‘)

　　}

　　‘‘‘)

　　js_run_at:和上面运行js脚本一起使用，可以设置运行脚本的位置在开头还是结尾

　　load_images:在加载javascript时，是否加载图片，默认为否

　　save：在不同方法之间传递参数:

　　def on_start(self):

　　self.crawl(‘http://maoyan.com/board/4‘, callback=self.index_page,save={‘a‘:‘1‘})

　　def index_page(self,response):

　　return response.save[‘a‘]

　　3、保存之后的项目是这样的

　　

 

　　status表示状态：

　　TODO：表示项目刚刚被创建的状态

　　STOP：表示停止

　　CHECKING：正在运行的项目被修改的状态

　　DEBUG/RUNNING：都是运行，DEBUG可以说是测试版本。

　　PAUSE:出现多次错误。

　　如何删除项目?

　　将group修改成delete，staus修改成STOP，24小时后系统自动删除

　　actions:

　　run表示运行

　　active tasks 查看请求

　　results 查看结果

　　tate/burst：

　　1/3表示1秒发送一个请求，3个进程

　　progress:表示爬取的进度。

　　4、完。

　　(你也可以根据自己的需要，添加自己的方法。后续会有用pyspider爬取的例子。)

　　

?