by 某某白米饭
Pysider
Pysider 是一个国人用 Python 编写的、带有强大的 WebUI 的网络爬虫系统,它支持多种数据库、任务监控、项目管理、结果查看、URL去重等强大的功能。
安装
pip3 install pysider
运行
命令行运行
pyspider
运行成功后,在浏览器地址中输入
localhost:5000
进入 Pyspider 控制台
从一个网站开始
选取一个新闻网站 "http://www.chinashina.com/rexinwen/" 作为学习 Pysider 的开始。
创建项目
在创建表单中填写项目名和爬虫开始的 URL,点击 Create 按钮
下面是 xinwen 爬虫系统的初始化代码
我们来看一下,爬虫系统的入口函数
def on_start(self):
self.crawl('http://www.chinashina.com/rexinwen/',callback=self.index_page)
- on_start() 函数爬虫系统的入口函数
- crawl() 函数 Pyspider 抓取指定页面,然后使用 callback 函数对结果进行解析
- @every(minutes=24 * 60) 装饰器,表示每过多久运行一次,是一个计划任务
点击 左窗口中的 run 按钮,会在 follows 安装上看到一个带红色的 1 ,这个表示抓取到了一个URL,点击它。这时会切换到 follows 面板,点击绿色播放按钮
翻页和列表页面处理
在点击绿色播放按钮后,会发现 Pysider 已经抓取到了好多个 URL 地址,其中的一些地址已经做了去重复处理。在这些 URL 地址中大多数是不需要的,所以我们需要进一步的对这些 URL 过滤。
对页面的分析发现,翻页的 URL 都是带有 list_32_x.html 的地址。
在 index_page() 函数中使用正则表达式,提取翻页URL,并编写一个 list_page() 函数解析列表页面的 URL,列表页面都是带有 plus/view.php?aid=x.html 的页面
import re
@config(age=10 * 24 * 60 * 60)
def index_page(self, response):
for each in response.doc('a[href^="http"]').items():
if re.match(".*list_32_\d+\.html", each.attr.href, re.U):
self.crawl(each.attr.href, callback=self.list_page)
# 将第一页的抓取
self.crawl(" http://www.chinashina.com/rexinwen/list_32_1.html",callback=self.list_page)
@config(age=10 * 24 * 60 * 60)
def list_page(self, response):
for each in response.doc('a[href^="http"]').items():
if re.match(".*plus/view.php\?aid=\d+\.html", each.attr.href, re.U):
self.crawl(each.attr.href, callback=self.detail_page)
- age 表示在10天之内这些页面不需要再次抓取
详情页处理
在详情页中需要提取新闻的标题、正文、来源、编辑者和时间,可以使用 Pysider 的 HTML 和 CSS 选择器提取数据。
在 Pysider 的 response.doc 中 内置了 PyQuery 对象,可以像 JQuery 一样操作 Dom 元素。
左窗口切换到 WEB 页面,然后点击 enable css selector helper 按钮,此时把鼠标放到左窗口的页面上,鼠标所在的标签变成了黄色,在它的上面可以看到当前标签的路径,点击向右箭将把路径复制到光标处
修改 detail_page() 函数
@config(priority=2)
def detail_page(self, response):
return {
"title": response.doc('.news_title').text(),
"other": response.doc('html > body > .clearfix > .main_lt > div > .news_about > p').text(),
"body": response.doc('html > body > .clearfix > .main_lt > div > .news_txt').text()
}
- priority 是优先级的意思
点击 run 按钮
如果觉得 Pysider 提取的元素路径并不合适,也可以使用在 Google 浏览器中审查元素,提取一个适合的元素选择器。
自动抓取
在 Dashboard 页面如下操作,将自动抓取页面
- 将 status 修改为 DEBUG 或 RUNNING
- 按 run 按钮
下面是自动抓取的结果
点击 Dashboard 界面的 Results 按钮
保存到 Mysql
重写 on_result() 函数
在 Pysider 抓取的结果保存到数据库,必须重写 on_result() 函数。on_result() 函数在每个函数结束都会被调用,所以必须判断 result 参数是不是空的。
from pyspider.database.mysql.crawlerdb import crawlerdb
def on_result(self,result):
if not result:
return
sql = crawlerdb()
sql.insert(result)
自定义保存模块
crawlerdb 模块是一个把结果保存到 Mysql 数据库的自定义模块,模块存放的地址每个人的路径都不相同,我的是在 /Library/Frameworks/Python.framework/Versions/3.7/lib/python3.7/site-packages/pyspider/database/mysql 下。
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
import mysql.connector
import pymysql
from pyspider.result import ResultWorker
class crawlerdb:
conn = None
cursor = None
def __init__(self):
self.conn = pymysql.connect("127.0.0.1", "root", "12345678", "crawler")
self.cursor = self.conn.cursor()
def insert(self, _result):
sql = "insert into info(title,body,editorial,ctime) VALUES('{}','{}','{}','{}')"
try:
sql = sql.format(pymysql.escape_string(_result.get('title')), pymysql.escape_string(_result.get('body')), _result.get('editorial'),_result.get('ctime'))
self.cursor.execute(sql)
self.conn.commit()
return True
except mysql.connector.Error:
print('插入失败')
return False
运行问题
async 关键字问题
File "/Library/Frameworks/Python.framework/Versions/3.7/lib/python3.7/site-packages/pyspider/fetcher/tornado_fetcher.py", line 81
def __init__(self, inqueue, outqueue, poolsize=100, proxy=None, async=True):
^
SyntaxError: invalid syntax
这个问题主要是因为在 Python3 中 async 变成了一个关键字,解决的方法就是打开 出错的文件( tornado_fetcher.py )将出错的 async 改为其他变量名
总结
在学会了 Pysider 框架后,在抓取页面中,主要的工作将放在在解析页面上,不需要关注抓取任务的定时计划和 URL 去重,超级方便、快捷,是 Python 人必学的框架之一。
代码地址
示例代码:Python-100-days-day072
关注公众号:python技术,回复"python"一起学习交流