PySpider框架简介及安装
PySpider:一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写,分布式架构,支持多种数据库后端,强大的WebUI支持脚本编辑器,任务监视器,项目管理器以及结果查看器。
PySpider功能简介
PySpider带有强大的WebUI、脚本编辑器、任务监控器、项目管理器以及结果处理器,它支持多种数据库后端、多种消息队列、Javascript渲染页面的爬取,使用起来非常的方便。
PySpider的基本功能:
- 提供方便易用的 WebUI 系统,可视化地编写和调式爬虫
- 提供爬取进度监控、爬取结果查看、爬虫项目管理等功能。
- 支持多种后端数据库,如 MySQL、MongoDB、Reids、SQLite、Elasticsearch、PostgreSQL。
- 支持多种消息队列、如 RabbitMQ、Beanstalk、Redis、Kombu。
- 提供优先级控制、失败重试、定时抓取等功能。
- 对接了 PhantomJS、可以抓取 JavaScript 渲染的页面。
- 支持单机和分布式部署、支持 Docker 部署。
PySpider的设计基础是:
- 以python脚本驱动的抓取环模型爬虫
- 通过python脚本进行结构化信息的提取,follow链接调度抓取控制,实现最大的灵活性
- 通过web化的脚本编写、调试环境。web展现调度状态
- 抓取环模型成熟稳定,模块间相互独立,通过消息队列连接,从单进程到多机分布式灵活拓展
PySpider与 Scrapy的比较:
- PySpider提供了WebUI,爬虫的编写、调试都是再WebUI中进行。而Scrapy原生是不具备这些功能的,它采取的是代码和命令行操作,但是可通过Portia实现可视化配置。
- PySpider调试非常的方便。WebUI操作便捷直观。Scrapy则是使用parse命令进行调试,其方便程度不及PySpider。
- PySpider支持PhantomJS来进行Javascript渲染也买你的额采集。Scrapy可以对接Scrapy-Splash组件,这需要额外配置。
- PySpider内置了PyQuery作为选择器,Scrapy对接了XPath、CSS选择器和正则匹配。
- PySpider的可扩展程度不足,可配置化程度不高。Scrapy可通过对接Middleware、Pipeline、Extension等组件实现非常强大的功能,模块之间的耦合程度低,可扩展程度极高。
如果想要快速方便地实现一个页面的抓取,使用 pyspider 不失为一个好的选择。如快速抓取某个普通新闻网站的新闻内容。但如果应对反爬程度很强、超大规模的抓取、推荐使用 Scrapy、如抓取封 IP、封账号、高频验证的网站的大规模数据采集。
PySpider 的架构
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。
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。
模块 | 功能 |
WebUI | web的可视化任务监控
web脚本编写,单步调试 异常捕获,log捕获,print捕获等 |
Scheduler | 任务优先级
周期定时任务 流量控制 基于时间周期 或 前链标签(例如更新时间)的重抓取调度 |
Fetcher | dataurl支持,用于假抓取模拟传递
method, header, cookie, proxy, etag, last_modified, timeout等抓取调度控制 通过适配类似 phantomjs 的webkit引擎支持渲染 |
Processer | 内置的pyquery,以jQuery解析页面
在脚本中完全控制调度抓取的各项参数, 向后链传递信息 异常捕获 |
PySpider 的任务执行流程的逻辑很清晰,具体过程如下所示:
- 每个 PySpider项目对应一个 Python 脚本,该脚本定义了一个 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。
- 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。
- Processer 处理响应并提取出新的 URL 生成新的抓取任务,然后通过消息队列的方式通知 Scheduler 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 Result Worker 处理。
- 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。
- 不断重复以上工作、直到所有的任务都执行完毕,抓取结束。
- 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。
PySpider的安装
PySpider的安装非常的简单,只需执行:
pip install pyspider即可,但是执行过程中可能会报如下错误:
PS C:\windows\system32> pip install pyspider Looking in indexes: http://mirrors.aliyun.com/pypi/simple/ Collecting pyspider Downloading http://mirrors.aliyun.com/pypi/packages/d0/97/d6062c928f53d899ff2a8538fed11d4d425ba3d27c96248a2c601c1c9fef/pyspider-0.3.10.tar.gz (110kB) 100% |████████████████████████████████| 112kB 178kB/s Requirement already satisfied: Flask>=0.10 in d:\python37\lib\site-packages (from pyspider) (1.0.2) Requirement already satisfied: Jinja2>=2.7 in d:\python37\lib\site-packages (from pyspider) (2.10) Requirement already satisfied: chardet>=2.2 in d:\python37\lib\site-packages (from pyspider) (3.0.4) Requirement already satisfied: cssselect>=0.9 in d:\python37\lib\site-packages (from pyspider) (1.0.3) Requirement already satisfied: lxml in d:\python37\lib\site-packages (from pyspider) (4.2.4) Collecting pycurl (from pyspider) Downloading http://mirrors.aliyun.com/pypi/packages/e8/e4/0dbb8735407189f00b33d84122b9be52c790c7c3b25286826f4e1bdb7bde/pycurl-7.43.0.2.tar.gz (214kB) 100% |████████████████████████████████| 215kB 202kB/s Complete output from command python setup.py egg_info: Please specify --curl-dir=/path/to/built/libcurl ---------------------------------------- Command "python setup.py egg_info" failed with error code 10 in D:\MyConfiguration\qw\AppData\Local\Temp\pip-install-8t_d95bq\pycurl\
发生报错的原因是pycurl没有被正确安装,中间出现了编译错误,解决方案是:到 https://www.lfd.uci.edu/~gohlke/pythonlibs/
下载对应的 .whl文件,并进项安装即可。
PS E:\Download> pip install .\pycurl-7.43.1-cp37-cp37m-win_amd64.whl
安装完成后再命令行执行
pyspider打开 http://localhost:5000/ 即可访问控制台
参考链接:
- PySpider 官网: http://www.pyspider.cn
- PySpider 文档: http://docs.pyspider.org/en/latest/
- PySpider 源码: https://github.com/binux/pyspider
The post PySpider框架简介及安装 appeared first on 标点符.