Pyspider的基本使用 -- 入门

简介

• 一个国人编写的强大的网络爬虫系统并带有强大的WebUI
• 采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器，任务监视器，项目管理器以及结果查看器
• 官方文档：http://docs.pyspider.org/en/latest/
  
  

安装

• pip install pyspider
• 安装失败的解决方法
  
  

启动服务

• 命令窗口输入pyspider
  
  
  

打开Web界面

• 浏览器输入localhost:5000
  
  
  

创建项目

删除项目

• 删除某个：设置 group 为 delete ，status 为 stop ，24小时之后自动删除
  
• 删除全部：在启动服务的路径下，找到它自己生成的data目录，直接删除目录里的所有文件
  
  
  
  

禁止证书验证

• 
• 加上参数 validate_cert = False
• 
  
  

使用方法

• on_start(self)
  • 入口方法，run的时候，默认会调用
• crawl()
  • 生成一个新的爬取请求，类似于scrapy.Request，接受的参数是ur1和callback
• @every(minutes=2, seconds=30) 
  • 告诉scheduler两分30秒执行一次
• @config(age=10 * 24 * 60 * 60)
  • 告诉调度器（单位：秒）、这个请求过期时间是10天、10天之内不会再次请求
• @config(priority=2)
  • 优先级、数字越大越先执行
• age写在函数里面跟写在装饰器上的区别
  • 写在函数里面的后执行，下图实际过期时间为5秒，若函数里没有age，则为装饰器里定义的20秒
    
    
    

执行任务

• 完成脚本编写，调试无误后，先save脚本，然后返回到控制台首页
• 直接点击项目状态status那栏，把状态由TODO改成DEBUG或RUNNING
• 最后点击项目最右边的Run按钮启动项目
  
  

对接phantomjs

• 将phantomjs.exe放在Python环境根目录下，或者将所在目录添加到系统的环境变量
• 添加成功，启动服务时，会显示如下信息
• 
  
  

没使用js渲染

使用js渲染

• 添加参数 fetch_type = 'js'
  
  
  

其它

• rate/burst
  • rate：一秒钟执行的请求个数
  • burst：并发的数量
  • 例如：2/5、每秒两个请求，并发数量为5，即每秒10个请求
• 设置渲染的web页面的高度
  • 
  • 在源代码里修改css样式即可（#tab-web iframe）
  • css文件路径：python安装目录下 Lib\site-packages\pyspider\webui\static 里的 debug.min.css
  •