现在有很多爬虫框架,比如scrapy、webmagic、pyspider都可以在爬虫工作中使用,也可以直接通过requests+beautifulsoup来写一些个性化的小型爬虫脚本。但是在实际爬取过程当中,爬虫框架各自有优势和缺陷。比如scrapy,它的功能强大,但过于强大的功能也许反而让新手无所适从,并且它采用twisted异步框架开发,对新手来说源码难以理解,项目难于调试。所以我模仿这些爬虫框架的优势,以尽量简单的原则,搭配gevent(实际上是grequests)开发了这套轻量级爬虫框架。
- downloader是下载器。
- processor是解析器。
- scheduler是调度器。
- pipeline是数据处理器。
- 将下载器,解析器,调度器,数据处理器注入核心core成为spider对象。
- 通过manager管理spider对象。
- manager透过webapi提供外部访问/控制接口。
- 框架代码结构简单易用,易于修改。新手、老鸟皆可把控。
- 采用gevent实现并发操作,与scrapy的twisted相比,代码更容易理解。
- 完全模块化的设计,强大的可扩展性。
- 使用方式和结构参考了scrapy和webmagic。对有接触过这两个框架的朋友非常友好。
- 不采用命令行来启动爬虫,方便调试。
- 对数据的解析模块并没有集成,可以自由使用beautifulsoup、lxml、pyquery、html5lib等等各种解析器进行数据抽取。
- 集成代理换IP功能。
- 支持高并发抓取数据。
- 支持分布式。
- 支持增量爬取。
- 支持爬取js动态渲染的页面(加载SeleniumDownLoader即可)。
- 提供webapi对爬虫进行管理、监控。
- 提供即时爬虫的集成思路和结构。
pip install sasila
- 请准备好您的redis服务器进行调度。
- 并在settings.py文件中 写入您的redis服务器地址
REDIS_HOST = 'localhost'
REDIS_PORT = 6379
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup as bs
from sasila.system_normal.processor.base_processor import BaseProcessor
from sasila.system_normal.downloader.http.spider_request import Request
from sasila.system_normal.spider.spider_core import SpiderCore
class Mzi_Processor(BaseProcessor):
spider_id = 'mzi_spider'
spider_name = 'mzi_spider'
allowed_domains = ['mzitu.com']
start_requests = [Request(url='https://www.mzitu.com/', priority=0)]
@checkResponse
def process(self, response):
soup = bs(response.m_response.content, 'lxml')
print soup.title.string
href_list = soup.select('a')
for href in href_list:
yield Request(url=response.nice_join(href['href']))
写法与scrapy几乎一样
- 所有的解析器都继承自 BaseProcessor ,默认入口解析函数为def process(self, response)。
- 为该解析器设置spider_id和spider_name,以及限定域名。
- 初始爬取请求为 start_requests,构建Request对象,该对象支持GET、POST方法,支持优先级,设置回调函数等等所有构建request对象的一切属性。默认回调函数为 process。
- 可以使用@checkResponse装饰器对返回的 response 进行校验并记录异常日志。你也可以定义自己的装饰器。
- 解析函数因为使用 yield 关键字,所以是一个生成器。当 yield 返回 Request 对象,则会将 Request 对象推入调度器等待调度继续进行爬取。若 yield 不是返回 Request 对象则会进入 pipeline , pipeline 将对数据进行清洗入库等操作。
与scrapy相似,sasila同样提供LinkExtractor的方式来提取链接,以下是用LinkExtractor的方式构造processor下载妹子图的示例
#!/usr/bin/env python
# -*- coding: utf-8 -*-
from sasila.system_normal.processor.base_processor import BaseProcessor, Rule, LinkExtractor
from sasila.system_normal.downloader.http.spider_request import Request
import os
import uuid
class MezituProcessor(BaseProcessor):
spider_id = 'mzitu'
spider_name = 'mzitu'
allowed_domains = ['mzitu.com', 'meizitu.net']
start_requests = [Request(url='https://www.mzitu.com/xinggan/')]
rules = (
Rule(LinkExtractor(regex_str=r"https://i.meizitu.net/\d{4}/\d{2}/[0-9a-z]+.jpg"),callback="save", priority=3),
Rule(LinkExtractor(regex_str=r"https://www.mzitu.com/\d+"), priority=1),
Rule(LinkExtractor(regex_str=r"https://www.mzitu.com/\d+/\d+"), priority=2),
Rule(LinkExtractor(regex_str=r"https://www.mzitu.com/xinggan/page/\d+"), priority=0),
)
def save(self, response):
if response.m_response:
if not os.path.exists("img"):
os.mkdir("img")
with open("img/" + str(uuid.uuid1()) + ".jpg", 'wb') as fs:
fs.write(response.m_response.content)
print("download success!")
LinkExtractor的构造方式为
LinkExtractor(regex_str=None, css_str=None, process_value=None)
- 提供正则表达式提取方式:regex_str
- 提供css选择器提取方式:css_str
- 也可以自定义process_value来提取链接,其中process_value是一个生成器
- 若使用此方式构造processor,请不要定义默认入口函数def process(self, response)
该pipeline获取数据后将数据转为json格式,并输出到屏幕
from sasila.system_normal.pipeline.base_pipeline import ItemPipeline
class ConsolePipeline(ItemPipeline):
def process_item(self, item):
print json.dumps(item).decode("unicode-escape")
- 通过注入 processor 生成spider对象
from sasila.system_normal.spider.spider_core import SpiderCore
spider = SpiderCore(Mzi_Processor())
- RequestSpider对象包含批下载数量 batch_size,下载间隔 time_sleep,使用代理 use_proxy 等一切必要的属性
SpiderCore(processor=None, downloader=None, use_proxy=False,scheduler=None,batch_size=None,time_sleep=None)
- 本项目集成使用代理IP的功能,只要在构建RequestSpider时将 use_proxy 设置为 True,并在脚本同级目录下放置proxy.txt文件即可。你也可以在settings.py文件中写入代理IP文件路径。
PROXY_PATH_REQUEST = 'proxy/path'
- proxy.txt文件中请写入代理IP,格式为:IP,端口号。若该代理IP有账号密码,在末尾追加账号密码即可。
127.0.0.1,8080
127.0.0.2,8080,user,pwd
127.0.0.3,8080,user,pwd
- RequestSpider已经默认设置好了 downloader 和 scheduler,如果不满意,可以自己进行定制。
- 可以为spider设置 downloader 和 pipeline 甚至 scheduler
spider = spider.set_pipeline(ConsolePipeline())
- 可以通过该方式启动爬虫
spider.start()
- 也可以将spider注入manager进行管理
from sasila.system_normal.manager import manager
from sasila import system_web
manager.set_spider(spider)
system_web.start()
访问 https://127.0.0.1:5000/slow_spider/start?spider_id=mzi_spider 来启动爬虫。
访问 https://127.0.0.1:5000/slow_spider/stop?spider_id=mzi_spider 来停止爬虫。
访问 https://127.0.0.1:5000/slow_spider/detail?spider_id=mzi_spider 来查看爬虫详细信息。
- 可以为downloader加载登录器(loginer),在使用downloader的时候使用loginer进行登录获取cookies,再进行爬取
- 也可以自己定义一个cookie池,批量进行登录并将登录成功的cookies放进cookie池中随时进行取用。项目中暂时没有这些功能。欢迎pull request~
- 任务由 scheduler 发起调度,downloader 抓取网页内容, processor 执行预先编写的py脚本,输出结果或产生新的提链任务(发往 scheduler),形成闭环。
- 每个脚本被认为是一个spider,spiderid确定一个任务。
- downloader
- method, header, cookie, proxy,timeout 等等抓取调度控制。
- 可以通过适配类似 phantomjs 的webkit引擎支持渲染。
- processor
- 灵活运用pyquery,beautifulsoup等解析页面。
- 在脚本中完全控制调度抓取的各项参数。
- 可以向后链传递信息。
- 异常捕获。
- scheduler
- 任务优先级。
- 对任务进行监控。
- 对任务进行去重等操作。
- 支持增量。
- webApi
- 对爬虫进行增删改查等操作。
- 非及时爬虫流程图
即时爬虫是可以通过api调用,传入需要爬取的页面或者需求,即时爬取数据并返回结果。现阶段开发并不完善。仅提供思路参考。示例核心代码在 sasila.system_instant 中。
- 即时爬虫-获取数据流程图
- 即时爬虫-授权流程图
作为一个wower,你可以猜到吗ヾ( ̄▽ ̄)
如果对使用有疑问,或者有想法,欢迎加入讨论群:602909155交流~
现提供更好用的爬虫框架fetchman,在sasila的基础上做了更多优化和修复并移除web相关功能(个人感觉有点鸡肋)。