Python_Pyspider使用

Pyspider

• 官方文档
• 安装与启动

1、Pyspider特点

• （1）用Python编写脚本，可视化地编写和调试爬虫，不用额外的IDE
• （2）功能强大的WebUI，包括脚本编辑器，任务监视器，项目管理器和结果查看器
• （3）支持MySQL，MongoDB，Redis，SQLite，Elasticsearch ; PostgreSQL使用SQLAlchemy作为数据库后端
• （4）支持RabbitMQ，Beanstalk，Redis和Kombu作为消息队列
• （5）提供任务优先级，失败重试，定时定期重新抓取等…
• （6）分布式架构，对接了PhantomJS，可抓取Javascript渲染的页面
• （7）支持单机和分布式部署，支持Docker部署

2、Pyspider架构

（1）Scheduler (调度器)、 Fetcher (抓取器)、 Processer (处理器) 、Monitor (监控器)、Result Worker (结果处理器)

• 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。

• A、Scheduler 发起任务调度， Fetcher 负责抓取网页内容， Processer 负责解析网页内容，然后将新生成的 Request发给 Scheduler进行调度，将生成的提取结果输出保存。

• B、每个pyspider 的项目对应一 Python脚本，该脚本中定义了一个 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进行调度 。

• C、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。

• D、Processer 处理响应并提取 H-’，新的 URL 生成新的抓取任务，然后通过消息队列的方式通知Schduler 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 ResultWorker理。

• E、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。

• F、不断重复以上工作，直到所有的任务都执行完毕，抓取结束 。

• G、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。

• （2）启动界面：http://localhost:5000/

• （3）创建项目后案例操作介绍
  

3、Pyspider使用

（1）启动页面使用

• 启动页面使用

（2）示例代码

• 这里的 Handler 就是 pyspider 爬虫的主类，我们可以在此处定义爬取、解析、存储的逻辑。整个爬虫的功能只需要一个 Handler 即可完成。
• 接下来我们可以看到一个 crawl_config 属性。我们可以将本项目的所有爬取配置统一定义到这里，如定义 Headers、设置代理等，配置之后全局生效。
• 然后，on_start() 方法是爬取入口，初始的爬取请求会在这里产生，该方法通过调用 crawl() 方法即可新建一个爬取请求，第一个参数是爬取的 URL，这里自动替换成我们定义的 URL。crawl() 方法还有一个 callback，它指定了这个页面爬取成功后用哪个方法进行解析，代码中指定为 index_page() 方法，即如果这个 URL 对应的页面爬取成功了，那 Response 将交给 index_page() 方法解析。
• index_page() 方法恰好接收这个 Response 参数，Response 对接了 pyquery。我们直接调用 doc() 方法传入相应的 CSS 选择器，就可以像 pyquery 一样解析此页面，代码中默认是 a[href^=“http”]，也就是说该方法解析了页面的所有链接，然后将链接遍历，再次调用了 crawl() 方法生成了新的爬取请求，同时再指定了 callback 为 detail_page，意思是说这些页面爬取成功了就调用 detail_page() 方法解析。这里，index_page() 实现了两个功能，一是将爬取的结果进行解析，二是生成新的爬取请求。
• detail_page() 同样接收 Response 作为参数。detail_page() 抓取的就是详情页的信息，就不会生成新的请求，只对 Response 对象做解析，解析之后将结果以字典的形式返回。当然我们也可以进行后续处理，如将结果保存到数据库。

from pyspider.libs.base_handler import *
class Handler(BaseHandler):
    crawl_config = {
    }
    
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('http://scrapy.org/', callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc('a[href^="http"]').items():
            self.crawl(each.attr.href, callback=self.detail_page)

    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }

（3）crawl使用

• crawl使用

参数	解释	例子
url	爬取时的 URL，可以定义为单个 URL字符串，也可以定义成 URL列表	self.crawl(‘http://scrapy.org/’, callback=self.index_page)
callback	回调函数，指定了该 URL对应的响应内容用哪个方法来解析	self.crawl(‘http://scrapy.org/’, callback=self.index_page)
age	任务的有效时间 。 如果某个任务在有效时间内且已经被执行，则它不会重复执行	@config(age=10 * 24 * 60 * 60)
priority	priority 是爬取任务的优先级，其值默认是 0，priority 的数值越大，对应的请求会越优先被调度	self.crawl(‘http://www.example.org/233.html’, callback=self.detail_page,priority=1)
exetime	exetime参数可以设置定时任务，其值是时间戳，默认是 0，即代表立即执行	self.crawl(‘http://www.example.org/’, callback=self.callback,exetime=time.time()+30*60)
retries	retries 可以定义重试次数，其值默认是 3
itag	itag 参数设置判定网页是存发生变化的节点值，在爬取时会判定次当前节点是否和上次爬取到的节点相同 。 如果节点相同，则证明页面没有更新，就不会重复爬取	self.crawl(item.find(‘a’).attr.url, callback=self.detail_page,itag=item.find(’.update-time’).text())
auto recrawl	当开启时，爬取任务在过期后会重新执行，循环时间即定义的 age 时间长度	self.crawl(‘http://www.example.org/’, callback=self.callback,age=56060, auto_recrawl=True)
method	method是 HTTP请求方式，它默认是 GET。 如果想发起 POST请求，可以将 method设置为 POST	略
params	我们可以方便地使用 params 来定义 GET请求参数	self.crawl(‘http://httpbin.org/get’, callback=self.callback,params={‘a’: 123, ‘b’: ‘c’})
data	data是 POST表单数据。 当请求方式为 POST时，我们可以通过此参数传递表单数据	self.crawl(‘http://httpbin.org/post’, callback=self.callback,method=‘POST’, data={‘a’: 123, ‘b’: ‘c’})
files	files 是上传的文件，需要指定文件名	self.crawl(‘http://httpbin.org/post’, callback=self.callback,method=‘POST’, files={field: {filename: ‘content’}}
user_agent	是爬取时使用的user-agent	略
cookies	cookies 是爬取时使用的 Cookies，为字典格式	略
connect timeout	connect timeout是在初始化连接时的最长等待时间，它默认是 20秒	略
timeout	timeout 是抓取网页时的最长等待时间，它默认是 120秒	略
allow redirects	allow redirects 确定是否自动处理重定向，它默认是 True	略
validate_cert	确定是否验证证书，此选项对HTTPS请求有效，默认未True	略
proxy	proxy是爬取时使用的代理，它支持用户名密码的配置，格式为	username:password@hostname:port
fetch_type	fetch_type开启 PhantomJS渲染 。如果遇到 JavaScript渲染的页面，指定此字段即可实现 PhantomJS的对接，pyspider将会使用 PhantomJS 进行网页的抓取	self.crawl(‘http://httpbin.org/post’, callback=self.callback, fetch_type=‘js’
js_script	js script 是页面加载完毕后执行的 JavaScript脚本	self.crawl(‘http://www.example.org/’, callback=self.callback,fetch_type=‘js’, js_script=’’‘function() {window.scrollTo(0,document.body.scrollHeight);return 123; } ‘’’)
js_run_at	JavaScript脚本运行的位置，是在页面节点开头还是结尾 ， 默认是结尾， 即 document-end	略
js_viewport_	js_viewport_width/js_viewport_height是 JavaScript渲染页面时的窗口大小	略
load_images	load_images在加载 JavaScript页面时确定是否加载图片，它默认是否False	略
save	save 参数非常有用，可以在不同的方法之 间传递参数	略
cancel	cancel是取消任务，如果一个任务是 ACTIVE状态的， 则需要将 force_update设置为 True	略
force_ update	即使任务处于 ACTIVE状态，那也会强制更新状态	略

######（4）任务id

• 任务id
• pyspider判断两个任务是否是重复使用的是该任务对应的 URL 的 MD5 值作为任务的唯一ID，如果ID 相 同，那么两个任务就会判定为相同，其中一个就不会爬取了 。 很多情况下请求的链接可能是同一个，但是POST的参数不同。可以通过方法覆盖 def get_taskid(self, task)，改变这个ID的计算方式来实现不同任务的区分。

# 默认情况下，只有url是md5 -ed作为taskid，以下代码添加data了POST请求作为taskid的一部分。
import json
from pyspider.libs.utils import md5string
def get_taskid(self, task):
  	return md5string(task['url']+json.dumps(task['fetch'].get('data', '')))

（5）全局配置

• crawl_config来指定全局的配置，配置中的参数会和crawl()方法创建任务时的参数合并。如果要全局配置一个Headers，可以定义如下

class Handler(BaseHandler):
   crawl_config = {
       'headers': {
           'User-Agent': 'GoogleBot',
       }
   }

（6）定时爬取

• 通过every属性来设置爬取的时间间隔。

# 设置每天执行一次爬取
@every(minutes=24 * 60)
  	def on_start(self):
       self.crawl('http://travel.qunar.com/travelbook/list.htm', callback=self.index_page)

注意：在任务的有效时间内爬取不会重复，所以要把任务有效时间设置的比重复时间更短，才可以实现定时爬取。以下代码无法做到每天爬取，任务过期时间为10天，自动爬取时间间隔为1天。当第二次尝试重新爬取的时候，pyspider会监测到此任务尚未过期，便不会执行爬取，需将age设置小于定时时间。

@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):
	  pass

（7）项目状态

• 每个项目都有6个状态：分别是TODO、STOP、CHECKING、DEBUG、RUNNING、PAUSE。
• TODO：它是项目刚刚被创建还未实现时的状态
• STOP：如果想停止某项目的抓取，可以将项目的状态设置为STOP
• CHECKING:正在运行的项目被修改后就会变成CHECKING状态，项目在中途出错需要调整的时候会遇到这种情况
• DEBUG/RUNNING:这两个状态对项目的运行没有影响，状态设置为任意一个，项目都可以运行，但是可以用二者来区分项目是否已经测试通过
• PAUSE:当爬取过程中出现连续多次错误时，项目会自动设置为PAUSE状态，并等待一定时间后继续爬取。

（8）删除项目

• pyspider中没有直接删除项目的选项。如果删除任务，那么将项目的状态设置为STOP，将分组的名称设置为delete，等待24小时，则项目会自动删除