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。
pyspider是作者之前做的一个爬虫架构的开源化实现。主要的功能需求是：
- 抓取、更新调度多站点的特定的页面
- 需要对页面进行结构化信息提取
- 灵活可扩展，稳定可监控
这也是绝大多数python爬虫的需求：定向抓取，结构化化解析。但是面对结构迥异的各种网站，单一的抓取模式并不一定能满足，灵活的抓取控制是必须的。为了达到这个目的，单纯的配置文件往往不够灵活，于是，通过脚本去控制抓取是最后的选择。而去重调度，队列，抓取，异常处理，监控等功能作为框架，提供给抓取脚本，并保证灵活性。最后加上web的编辑调试环境，以及web任务监控，即成为了这套框架。
pyspider的设计基础是：以python脚本驱动的抓取环模型爬虫
- 通过python脚本进行结构化信息的提取，follow链接调度抓取控制，实现最大的灵活性
- 通过web化的脚本编写、调试环境。web展现调度状态
- 抓取环模型成熟稳定，模块间相互独立，通过消息队列连接，从单进程到多机分布式灵活拓展
官方文档 / 最新版本
安装&&运行
pip install pyspider
安装成功后运行
pyspider
打开http://localhost:5000/ 访问控制台
创建新爬虫
在web控制台点create按钮新建任务，自定义项目名和爬取的起始网址。点击确定后打开代码编辑器（代码编辑器默认有简单的实例代码）。
右侧为代码编辑器，可直接添加和修改代码。代码简单分析：
-
on_start(self) 方法是入口代码。当在web控制台点击run按钮时会执行此方法。
self.crawl(url, callback=self.index_page)这个方法是调用API生成一个新的爬取任务，这个任务被添加到待抓取队列。
index_page(self, response) 方法获取一个Response对象。 response.doc是pyquery对象的一个扩展方法。pyquery是一个类似于jQuery的对象选择器。
detail_ page(self, response)返回一个结果集对象。这个结果默认会被添加到resultdb数据库（如果启动时没有指定数据库默认调用sqlite数据库）。你也可以重写on_result(self,result)方法来指定保存位置。
@every(minutes=24*60, seconds=0) 这个设置是告诉scheduler（调度器）on_start方法每天执行一次。
@config(age=10 * 24 * 60 * 60) 这个设置告诉scheduler（调度器）这个request（请求）过期时间是10天，10天内再遇到这个请求直接忽略。这个参数也可以在self.crawl(url, age=102460*60) 和 crawl_config中设置。
@config(priority=2) 这个是优先级设置。数字越大越先执行。
完成脚本编写并调试无误后，先保存脚本，然后返回控制台首页。点击项目状态status，把状态由TODO改成debug或running，最后点击项目最右边RUN按钮启动项目。当progress那栏有数据显示说明启动成功，运行一段时间就可以在最右侧的results查看结果了。
数据存入Mysql
编写数据库脚本mysqldb.py(放入./site-packages/pyspider/database/mysql/下)：
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
from six import itervalues
import MySQLdb
class SQL():
#数据库初始化
def __init__(self):
#数据库连接相关信息
hosts = '数据库地址'
username = '数据库用户名'
password = '数据库密码'
database = '数据库名'
charsets = 'utf8'
self.connection = False
try:
self.conn = MySQLdb.connect(host = hosts,user = username,passwd = password,db = database,charset = charsets)
self.cursor = self.conn.cursor()
self.cursor.execute("set names "+charsets)
self.connection = True
except Exception,e:
print "Cannot Connect To Mysql!/n",e
def escape(self,string):
return '%s' % string
#插入数据到数据库
def insert(self,tablename=None,**values):
if self.connection:
tablename = self.escape(tablename)
if values:
_keys = ",".join(self.escape(k) for k in values)
_values = ",".join(['%s',]*len(values))
sql_query = "insert into %s (%s) values (%s)" % (tablename,_keys,_values)
else:
sql_query = "replace into %s default values" % tablename
try:
if values:
self.cursor.execute(sql_query,list(itervalues(values)))
else:
self.cursor.execute(sql_query)
self.conn.commit()
return True
except Exception,e:
print "An Error Occured: ",e
return False
注：此处使用的是MySQLdb驱动，所以需要确保已安装MySQLdb
在Pyspider的脚本开头引入：
from pyspider.database.mysql.mysqldb import SQL
重写on_result方法：
def on_result(self,result):
if not result or not result['original_id']:
return
sql = SQL()
sql.insert('t_dream_xm_project',**result)
数据库新建数据库以及对应的表，启动服务器进行测试了。
完整脚本如下：
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2017-07-14 10:36:36
# Project: xiaomi
from pyspider.libs.base_handler import *
from pyspider.database.mysql.mysqldb import SQL
import urllib
import time
import json
class Handler(BaseHandler):
#配置通用的请求属性
crawl_config = {
'headers' : {'Connection':'keep-alive','Accept-Encoding':'gzip, deflate, br','Accept-Language':'zh-CN,zh;q=0.8','content-type':'application/x-www-form-urlencoded','Referer':'//home.mi.com/crowdfundinglist?id=78&title=%E4%BC%97%E7%AD%B9','User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.115 Safari/537.36'}
}
@every(minutes=24 * 60)
def on_start(self):
#获取所有的产品详细产品地址
param = 'data=%7B%22HomeList%22%3A%7B%22model%22%3A%22Homepage%22%2C%22action%22%3A%22BuildHome%22%2C%22parameters%22%3A%7B%22id%22%3A12%7D%7D%7D'
self.crawl('https://home.mi.com/app/shopv3/pipe',method="GET",params=param,callback=self.index_page)
@config(age=60 * 60)
def index_page(self, response):
#获取单个产品的详细信息
for each in response.json['result']['HomeList']['data']:
gid = each['gid']
detailparm = "{\"detail\":{\"model\":\"Shopv2\",\"action\":\"getDetail\",\"parameters\":{\"gid\":\"%s\"}},\"comment\":{\"model\":\"Comment\",\"action\":\"getList\",\"parameters\":{\"goods_id\":\"%s\",\"orderby\":\"1\",\"pageindex\":\"0\",\"pagesize\":3}},\"activity\":{\"model\":\"Activity\",\"action\":\"getAct\",\"parameters\":{\"gid\":\"%s\"}}}" % (gid,gid,gid)
detailreq = urllib.quote(detailparm)
detailreq = "data=" + detailreq
detailurl = "https://home.mi.com/app/shop/pipe?gid=%s" % gid
#print detailurl
self.crawl(detailurl,method='POST',data=detailreq ,callback=self.detail_page)
@config(priority=2)
def detail_page(self, response):
#转换成Json格式的字符串
resultjsonstr = json.dumps(response.json)
result = json.loads(resultjsonstr)['result']['detail']['data']['good']
#将返回的结果保存到MySQL数据库
return {
"original_id": result['gid'].encode('utf-8'),
"project_name": result['name'].encode('utf-8'),
"project_desc": result['summary'].encode('utf-8'),
"curr_money":result['saled'].encode('utf-8'),
"begin_date":time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(float(result['ctime'].encode('utf-8'))))
}
def on_result(self,result):
if not result or not result['original_id']:
return
sql = SQL()
sql.insert('t_dream_xm_project',**result)
注：数据库表名需要和on_ result方法中insert函数首个参数对应（如上例中t_dream_xm_project），表的字段名称和detail_page方法中return返回的字段名称对应