爬虫工作量由小到大的思维转变---＜第二十四章 Scrapy的`统计数据`收集stats collection＞

前言:

前两篇是讲的数据诊断分析,还有一篇深挖`解决内存泄漏`的文章,目前我还没整理汇编出来;但是,想到分析问题的时候,忽然觉得`爬虫的数据统计`好像也挺重要;于是,心血来潮准备来插一篇这个------让大家对日常scrapy爬的数据,做到心里有数!不必自己去搅破脑汁捣腾日志,敲计算器了;

正文:

在 Scrapy 中，可以使用 Stats Collection（统计信息收集）来收集和获取有关爬虫运行过程中的统计信息。Stats Collection 提供了各种默认的统计指标，例如请求数量、下载时间和爬取成功数等。

当然,也可以使用其他的,例如:

MemoryStatsCollector：默认的统计收集器，将统计数据存储在内存中。
CsvStatsCollector：将统计数据保存为 CSV 格式的文件。
JsonLinesStatsCollector：将统计数据保存为 JSON Lines 格式的文件。
XmlStatsCollector：将统计数据保存为 XML 格式的文件。
DbStatsCollector：将统计数据保存到数据库中。
LogStatsCollector：通过日志输出统计数据。

-----这些其实都大同小异,我们就拿第一个来开刀!!

使用 Stats Collection 的步骤：

1. 在 Scrapy 项目的配置文件 `settings.py` 中启用 Stats Collection：

   STATS_CLASS = 'scrapy.statscollectors.MemoryStatsCollector'

通过配置 `STATS_CLASS` 参数，可以选择不同的 Stats Collector。在示例中，我们使用了 `MemoryStatsCollector`，该 Collector 将统计信息存储在内存中。

2. 在 Scrapy 的爬虫代码中导入 `scrapy.stats`：

   from scrapy import stats

3. 在爬虫代码中，可以使用 `stats` 对象来访问和处理统计信息。以下是一些常用的方法：

•    - `stats.get_value(key, default=None)`：获取指定键名的统计值。如果指定的键名不存在，则返回提供的 `default` 值（默认为 `None`）。
•    - `stats.inc_value(key, count=1)`：增加指定键名的统计值。`count` 参数可以指定增加的数量，默认为 1。
•    - `stats.set_value(key, value)`：设置指定键名的统计值为给定的 `value`。
•    - `stats.get_stats()`：返回当前所有统计信息的字典形式。

使用 Stats Collection：

   from scrapy import Spider
   from scrapy import stats
   
   
   class MySpider(Spider):
       name = 'my_spider'
       start_urls = ['http://example.com']
   
       def parse(self, response):
           # 增加请求数量统计值
           self.stats.inc_value('request_count')
   
           # 获取当前请求数量的统计值
           request_count = self.stats.get_value('request_count', default=0)
           self.logger.info(f"Request Count: {request_count}")
   
           # 设置自定义统计值
           self.stats.set_value('custom_stat', 10)
   
           # 获取所有统计信息
           all_stats = self.stats.get_stats()
           self.logger.info(f"All Stats: {all_stats}")
           # ...其他处理代码...
   ```

     在上述示例中，在解析函数中使用 `stats` 对象进行统计值的增加、获取和设置操作，以及获取所有统计信息。可以根据需要进行自定义的统计值操作，从而监控和分析爬虫的运行情况。

ps:Stats Collection 默认收集的统计信息可能会消耗一定的内存，如果需要更复杂的统计需求，可以考虑使用第三方库或自定义 Stats Collector 进行更高级的统计处理。

---

深入:

当需要进行更高级的统计处理时，可以自定义 Stats Collector 来满足特定的需求。自定义 Stats Collector 可以用于收集、处理和保存统计数据，以便后续分析和可视化。

以下是自定义 Stats Collector 的步骤：

1. 创建一个自定义的 Stats Collector 类，继承自 `scrapy.statscollectors.StatsCollector` 类，并重写需要的方法。

通常情况下，需要实现 `__init__()`、`open_spider()`、`close_spider()` 和 `get_value()` 方法。

 from scrapy.statscollectors import StatsCollector
   
   class CustomStatsCollector(StatsCollector):
   
       def __init__(self, crawler):
           super().__init__(crawler)
           # 初始化自定义的统计数据
           self.custom_stats = {}
   
       def open_spider(self, spider):
           super().open_spider(spider)
           # 初始化每个爬虫的自定义统计数据
           self.custom_stats[spider.name] = {}
   
       def close_spider(self, spider, reason):
           super().close_spider(spider, reason)
           # 在爬虫结束时处理自定义统计数据
           custom_stats_data = self.custom_stats[spider.name]
           # 进行进一步的处理或保存操作
   
       def get_value(self, key, default=None, spider=None):
           # 获取自定义统计数据的值
           if spider:
               return self.custom_stats[spider.name].get(key, default)
           return default

  

2. 在 Scrapy 项目的配置文件 `settings.py` 中配置自定义的 Stats Collector 类：

   STATS_CLASS = 'your_project_name.custom_stats.CustomStatsCollector'

  ps:`your_project_name` 需要替换为 Scrapy 项目的名称，以及其他必要的导入路径。

3. 使用自定义的 Stats Collector

   在 Spider 类中，通过 `self.crawler.stats` 访问自定义的 Stats Collector 对象，并使用相应的方法进行统计值的获取、增加和设置。

   from scrapy import Spider
   
   class MySpider(Spider):
       name = 'my_spider'
       start_urls = ['http://example.com']
   
       def parse(self, response):
           # 增加自定义统计值
           self.crawler.stats.inc_value('custom_stat', spider=self)
   
           # 获取自定义统计值
           custom_stat_value = self.crawler.stats.get_value('custom_stat', default=0, spider=self)
           self.logger.info(f"Custom Stat Value: {custom_stat_value}")
   
           # 设置自定义统计值
           self.crawler.stats.set_value('custom_stat', 10, spider=self)
   
           # ...其他处理代码...

   创建一个自定义的 Stats Collector 类 `CustomStatsCollector`，并在 `open_spider()` 和 `close_spider()` 方法中进行自定义统计数据的初始化和处理。在 Spider 类中，使用 `self.crawler.stats` 访问自定义的 Stats Collector 对象，并用相应的方法进行自定义统计值的增加、获取和设置。

也可以根据具体需求在自定义 Stats Collector 类中添加其他统计方法和处理逻辑，并使用自定义统计数据进行进一步的分析和处理。

另一个案例:

统计每个爬虫访问 URL 的数量，并在爬虫结束时将统计数据保存到文件中。

import json
from scrapy.statscollectors import StatsCollector

class CustomStatsCollector(StatsCollector):

    def __init__(self, crawler):
        super().__init__(crawler)
        # 初始化自定义统计数据
        self.custom_stats = {}

    def open_spider(self, spider):
        super().open_spider(spider)
        # 初始化每个爬虫的自定义统计数据
        self.custom_stats[spider.name] = {
            'url_count': 0
        }

    def close_spider(self, spider, reason):
        super().close_spider(spider, reason)
        # 在爬虫结束时处理自定义统计数据
        custom_stats_data = self.custom_stats[spider.name]
        # 保存自定义统计数据到文件
        with open(f'{spider.name}_stats.json', 'w') as file:
            json.dump(custom_stats_data, file)

    def inc_url_count(self, spider):
        # 增加 URL 数量统计值
        self.custom_stats[spider.name]['url_count'] += 1

    def get_url_count(self, spider):
        # 获取 URL 数量统计值
        return self.custom_stats[spider.name]['url_count']

在 Spider 类中，我们可以调用自定义 Stats Collector 的 `inc_url_count()` 方法来增加 URL 数量的统计值，并使用 `get_url_count()` 方法获取统计值。

from scrapy import Spider

class MySpider(Spider):
    name = 'my_spider'
    start_urls = ['http://example.com']

    def parse(self, response):
        # 增加 URL 数量统计值
        self.crawler.stats.inc_url_count(self)

        # 获取 URL 数量统计值
        url_count = self.crawler.stats.get_url_count(self)
        self.logger.info(f"URL Count: {url_count}")

        # ...其他处理代码...

在这个案例中，我们定义了 `CustomStatsCollector` 类，用于统计每个爬虫访问的 URL 数量。使用 `inc_url_count()` 方法增加统计值，并使用 `get_url_count()` 方法获取统计结果。在爬虫结束时，自定义统计数据将被保存到以爬虫名为前缀的 JSON 文件中。

(可自行在此框架上修改,自己需要的业务逻辑)

---