pyspider框架的架构
1.概述
下图显示了pyspider体系结构及其组件的概述,以及系统内部发生的数据流的概要。
组件之间通过消息队列进行连接
。每一个组件都包含消息队列,都在它们自己的进程/线程中运行,并且是可以替换的。这意味者,当处理速度缓慢时,这个时候我们可以通过启动多个processor
实例来充分利用多核cpu来进行提高效率,或者进行分布式部署来提高效率。
2.组件
(1)Scheduler(调度器)
调度器从processor
返回的新任务队列中接收任务。判断是新任务还是需要重新爬取。通过优先级对任务进行分类,并且利用令牌桶算法
将任务发送给fetcher
, 处理周期任务,丢失的任务和失败的任务,并且稍后重试。
以上都可以通过self.crawl
进行设置(我们的第一个脚本就是一个processor)。
注意,在当前的调度器实现中,只允许一个调度器去进行运行。
(2)Fetcher(本质就是一个请求,只是将Scheduler发出的请求进行处理后变成结果,而对于Processor来说它是一个请求)---爬取器
Fetcher
的职责是获取web页面然后把结果发送给processor
。请求method, headers, cookies, proxy, etag
等,都可以设置。
(3)Processor(如果返回结果就输出,如果返回进行craw()方法就传给Sheduler)---处理器
处理器的职责是运行用户编写的脚本
,去解析和提取信息
。您的脚本在无限制的环境中运行。尽管我们有各种各样的工具(如PyQuery,还可以用xpath和beautifulsoup)供您提取信息和连接,您可以使用任何您想使用的方法来处理响应。
处理器会捕捉异常和记录日志,发送状态(任务跟踪)和新的任务给调度器,发送结果给Result Worker
。
(4)Result Worker
Result Worker
从Porcess
接收结果数据。Pyspider有一个内置的结果处理器将数据保存到resultdb
,根据您的需要重写它以处理结果。
(5)WebUI
WebUI是一个面向内容的web前端。它包含:
- 脚本编辑器,调试器
- 项目管理器
- 任务监控程序
- 结果查看器和导出
也许webui是pyspider最吸引人的地方。使用这个强大的UI,您可以像pyspider一样一步一步地调试脚本。启动停止项目。找到哪个项目出错了,什么请求失败了,然后使用调试器再试一次。
(6)Data flow
pyspider中的数据流如上图所示:
- 当您按下WebUI上的Run按钮时,每个脚本都有一个名为on_start的回调。作为项目的入口,
on_start
产生的新任务将会提交给调度器。 - 调度程序使用一个数据URI将这个on_start任务分派为要获取的普通任务。
- Fetcher对它发出一个请求和一个响应(对于数据URI,它是一个假的请求和响应,但与其他正常任务没有区别),然后送给处理器。
- 处理器调用on_start方法并生成一些要抓取的新URL。处理器向调度程序发送一条消息,说明此任务已完成,并通过消息队列将新任务发送给调度程序(在大多数情况下,这里没有on_start的结果。如果有结果,处理器将它们发送到result_queue)。
- 调度程序接收新任务,在数据库中查找,确定任务是新的还是需要重新抓取,如果是,将它们放入任务队列,按顺序分派任务。
- 这个过程重复(从步骤3开始),直到WWW死后才停止;)。调度程序将检查定期任务,以抓取最新数据。
3.关于任务
任务是调度的基本单元(就是进行调度的过程就是对任务进行调度)。
(1)基本原理
- 任务由它的
taskid
(默认:md5(url)
, 可以通过重写get_taskid(self, task)
方法来修改,在第一个脚本里重写函数方法)来区分。 - 不同项目之间的任务是隔离的。
- 一个任务有4个状态:
- active
- failed
- success
- bad-not used
- 只有处于
active
状态的任务会被调度。 - 任务按优先次序执行。
(2)调度
a、新任务
当一个新的任务(从未见过)出现:
- 如果设置了exetime但没有到达,它将被放入一个基于时间的队列中等待。
- 否则将被接受。
当任务已经在队列中:
- 除非(
force_update
)强制更新,否则忽略
当一个完成过的任务出现时(重复的任务):
- 如果
age
设置,且last_crawl_time + age < now(上一次的抓取时间+age设置的时间小于当前时间)
它将会被接受,否则抛弃。 - 如果
itag
设置,且它不等于上一次的值,它会被接受,否则抛弃(进行itag设置使得所有的新任务进行启动一遍)。
b、 重试
当请求错误或脚本错误发生时,任务将在默认情况下重试3次。
第一次重试将在30秒、1小时、6小时、12小时后每次执行,任何更多的重试将推迟24小时。retry_delay
是一个指定重试间隔的字典。这个字典中的元素是{retried:seconds}
, 如果未指定,则使用特殊键:''
空字符串指定的默认推迟时间。
例如默认的retry_delay
声明如下:
class MyHandler(BaseHandler):
retry_delay = {
0: 30,
1: 1*60*60,
2: 6*60*60,
3: 12*60*60,
'': 24*60*60
}
4.关于项目
在大多数情况下,项目是为一个网站编写的一个脚本(一个网站一个项目)。
- 项目是独立的,但是可以用
from Projects import other_project
将另一个项目作为模块导入。 - 一个项目有5个状态:
TODO
,STOP
,CHECKING
,DEBUG
和RUNNING
-
TODO
- 刚创建,正在编写脚本 - 如果您希望项目停止(= =),可以将其标记为STOP。
-
CHECKING
- 当正在运行的项目被修改时,为了防止未完成的修改,项目状态将被设置为自动检查。 -
DEBUG
/RUNNING
- 这两种状态对爬虫没有区别。但最好在第一次运行时将其标记为DEBUG
,然后在检查后将其更改为RUNNING
。
-
- 爬行速率由
rate
和burst
并采用令牌桶算法
进行控制。-
rate
- 一秒钟内有多少请求(即一秒钟爬多少次) -
burst
(爆发)- 考虑这种情况,RATE/BURST=0.1/3,这意味着蜘蛛每10秒抓取1个页面。所有任务都已完成,Project将每分钟检查最后更新的项目。假设找到3个新项目,pyspider将“爆发”并爬行3个任务,而不等待3*10秒。但是,第四个任务需要等待10秒。
-
- 若要删除项目,请将“组”(group)设置为“删除”(delete),将“状态”设置为“停止”,然后等待24小时。
回调 on_finished
您可以在项目中重写on_finished方法,当task_queue变为0时将触发该方法。
第一种情况:当您启动一个项目来抓取一个包含100个页面的网站时,当100个页面被成功抓取或重试失败时,on_finished
回调将被触发。
第二种情况:带有auto_recrawl
任务的项目永远不会触发on_finished
回调,因为当其中有auto_recrawl
任务时,时间队列永远不会变为0。
第三种情况:带有@every
修饰方法的项目将在每次新提交的任务完成时触发on_finished
回调。
5. 脚本环境
(1) 变量
self.project_name
self.project
(当前项目的详细信息)self.response
self.task
官方文档:http://docs.pyspider.org/en/latest/
(2)关于脚本
handler
的名称并不重要,但您需要至少一个继承basehandler
的类。-
可以设置第三个参数来获取任务对象:
def callback(self,response,task)
。
默认情况下,非200响应不会提交回调。可以使用
@catch_status_code_error
来处理非200响应。
(3)关于环境
logging
,print
以及异常会被捕获。你可以通过
from projects import some_project
将其他项目当做模块导入。
(4)Web view
- 以浏览器呈现的方式查看页面(大约)
(5)HTML view
- 查看当前回调的HTML(索引页、细节页等)
(6) Follows view
查看可从当前回调进行的回调(数量,即回调任务的数量和相应的url)
索引页面跟随视图将显示可执行的详细页面回调。
(7)Messages view
- 显示
self.send_message
发送的消息
(8)Enable CSS Selector Helper
- 启用Web视图的CSS选择器帮助程序。它获取您单击的元素的CSS选择器,然后将其添加到脚本中。
6.处理结果
从WebUI下载和查看数据很方便,但可能不适用于计算机,所以要存储到自己的数据库中。
(1)使用resultdb
虽然resultdb仅用于结果预览,但不适用于大规模存储结果数据
。
但是,如果您想从resultdb中获取数据,那么有一些使用数据库API的简单案例可以帮助您连接和选择数据。
from pyspider.database import connect_database
resultdb = connect_database("")
for project in resultdb.projects:
for result in resultdb.select(project):
assert result['taskid']
assert result['url']
assert result['result']
result['result']
是由你编写的脚本中的RETURN
语句提交的对象。
(2)使用ResultWorker
在生产环境中,你可能希望将pyspider连接到你的系统的处理管道,而不是将结果存储到resultdb中。强烈建议重写ResultWorker。
from pyspider.result import ResultWorker
class MyResultWorker(ResultWorker):
def on_result(self, task, result):
assert task['taskid']
assert task['project']
assert task['url']
assert result
# your processing code goes here
result
是你脚本中return语句提交的对象。
您可以将这个脚本(例如,my_result_worker.py)放在启动pyspider的文件夹中。
为result_worker
子命令添加参数:
pyspider result_worker --result-cls=my_result_worker.MyResultWorker
(运行命令的时候就这样运行)
或者,如果你使用配置文件
{
...
"result_worker": {
"result_cls": "my_result_worker.MyResultWorker"
}
...
}
为了兼容性,将存储在数据库中的结果编码为JSON(因为result_worker存储到数据库的数据都是JSON类型的)。强烈建议您设计自己的数据库,并覆盖上面描述的ResultWorker。
(3)关于结果的小技巧
想要在回调中返回多个结果?
resultdb会通过taskid(url)对结果进行去重,后面的结果会覆盖前面的(但是在脚本中每个任务只会返回一个结果,如果有多个结果的话只会返回最后一个数据结果)。
一个解决方案是使用send_message
API为每个结果生成一个伪taskid。
def detail_page(self, response):
for li in response.doc('li').items():
self.send_message(self.project_name, {
...写入要发的结果
# "url": response.url,
# "title": response.doc('title').text(),
}, url=response.url+"#"+li('a.product-sku').text())
def on_message(self, project, msg):#这个方法是返回结果,当上一个方法每进行一次send_message就会调用这个方法,就会返回相应的结果。
return msg