功能简介
- 提供方便易用的 WebUI 系统,可视化地编写和调式爬虫
- 提供爬取进度监控、爬取结果查看、爬虫项目管理等功能。
- 支持多种后端数据库,如 MySQL、MongoDB、Reids、SQLite、Elasticsearch、PostgreSQL。
- 支持多种消息队列、如 RabbitMQ、Beanstalk、Redis、Kombu。
- 提供优先级控制、失败重试、定时抓取等功能。
- 对接了 PhantomJS、可以抓取 JavaScript 渲染的页面。
- 支持单机和分布式部署、支持 Docker 部署
与Scrapy的对比
- PySpider提供了WebUI,爬虫的编写、调试都是再WebUI中进行。而Scrapy原生是不具备这些功能的,它采取的是代码和命令行操作,但是可通过Portia实现可视化配置。
- PySpider调试非常的方便。WebUI操作便捷直观。Scrapy则是使用parse命令进行调试,其方便程度不及PySpider。
- PySpider支持PhantomJS来进行Javascript渲染也买你的额采集。Scrapy可以对接Scrapy-Splash组件,这需要额外配置。
- PySpider内置了PyQuery作为选择器,Scrapy对接了XPath、CSS选择器和正则匹配。
- PySpider的可扩展程度不足,可配置化程度不高。Scrapy可通过对接Middleware、Pipeline、Extension等组件实现非常强大的功能,模块之间的耦合程度低,可扩展程度极高。
架构
PySpider 的架构主要分为 Scheduler(调度器)、Fetcher(抓取器)、Processer(处理器)三个部分。整个爬取过程受到 Monitor(监控器)的监控,抓取的结果被 Result Worker(结果处理器)处理。
模块 | 功能 |
---|---|
WebUI | web的可视化任务监控web脚本编写,单步调试异常捕获,log捕获,print捕获等 |
Scheduler | 任务优先级周期定时任务流量控制基于时间周期 或 前链标签(例如更新时间)的重抓取调度 |
Fetcher | dataurl支持,用于假抓取模拟传递method, header, cookie, proxy, etag, last_modified, timeout等抓取调度控制通过适配类似 phantomjs 的webkit引擎支持渲染 |
Processer | 内置的pyquery,以jQuery解析页面在脚本中完全控制调度抓取的各项参数,向后链传递信息异常捕获 |
抓取流程
- 每个 PySpider项目对应一个 Python 脚本,该脚本定义了一个 Handler 类,它有一个 on_start() 方法。爬取首先调用 on_start() 方法生成最初的抓取任务,然后发送给 Scheduler。
- 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。
- 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 Scheduler 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。
- Scheduler 接收到新的抓取任务,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,然后将其发送回 Fetcher 进行抓取。
- 不断重复以上工作、直到所有的任务都执行完毕,抓取结束。
- 抓取结束后、程序会回调 on_finished() 方法,这里可以定义后处理过程。
实战
安装
# centos 7 python3
yum install python-devel curl-devel
pip install --upgrade pip
pip uninstall pycurl
export PYCURL_SSL_LIBRARY=nss
pip install --compile pycurl
# windows python3
pip install pyspider
# 启动 pyspider
pyspider all
# 访问 http://localhost:4000
简单实现爬虫
爬取去哪网的信息
class Handler(BaseHandler):
crawl_config = {
}
@every(minutes=24 * 60)
def on_start(self):
self.crawl('http://travel.qunar.com/travelbook/list.htm', callback=self.index_page)
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
for each in response.doc("li > .tit > a").items():
self.crawl(each.attr.href, callback=self.detail_page)
next_href = response.doc(".next").attr.href
self.crawl(next_href, callback=self.index_page)
@config(priority=2)
def detail_page(self, response):
return {
"url":response.url,
"title":response.doc("#booktitle").text(),
"content":response.doc(".imglst").text(),
"foreword_list":response.doc(".foreword_list").text()
}
使用phantomjs渲染页面
class Handler(BaseHandler):
def on_start(self):
self.crawl('http://www.pinterest.com/categories/popular/',
fetch_type='js', js_script="""
function() {
window.scrollTo(0,document.body.scrollHeight);
}
""", callback=self.index_page)
def index_page(self, response):
return {
"url": response.url,
"images": [{
"title": x('.richPinGridTitle').text(),
"img": x('.pinImg').attr('src'),
"author": x('.creditName').text(),
} for x in response.doc('.item').items() if x('.pinImg')]
}