码迷,mamicode.com
首页 > 其他好文 > 详细

pyspider_初始

时间:2020-04-10 20:00:18      阅读:94      评论:0      收藏:0      [点我收藏+]

标签:tps   wsgi   img   版本   libs   分组   删除   paginati   return   

一、简介

1.1、简介

pyspider 是一个使用python编写,并且拥有强大功能web界面的爬虫框架。

  • 强大的web界面可进行脚本编辑,任务监控,项目管理,结果查看等功能。

  • pyspider支持多种数据库进行数据存储。MySQL, MongoDB, Redis, SQLite, Elasticsearch...(保存数据,默认使用sqlit3)

  • 并且支持多种消息队列。RabbitMQ, Beanstalk, Redis...(用于调度器进行各个组件的协调工作,数据传递等。)

  • 通过装饰器,配置任务优先级,爬虫什么时侯再重新爬取,任务失败再从新自动抓取...

  • 可使用phantomjs,只需要添加参数,就可对动态页面进行爬取..

  • 支持python2,python3.

1.2、框架结构

技术图片

通过上面的图,我们可以看出pyspider由四部分组成

  • Scheduler:任务管理,多个模块之间的协调管理控制。
  • Fetcher:发送请求,获取响应,这里还可以调用phantomjs。
  • Processor:对返回的数据进行提取,保存等。
  • webui/monitor:可视化的方式实现脚本编写,任务管理,监控,调度,结果展示。
1.3、pyspider工作流程:
def on_start(self):
    self.crawl(‘https://travel.qunar.com/?from=header‘, callback=self.index_page)

当我们启动一个pyspider项目时,默认会调用如上方法。该方法会将第一个任务加入newtask_queue(默认使用python多进程中的队列。调度器(Scheduler)会从任务队列(newtask_queue)中拿出任务交给抓取器(Fetcher),进行页面请求。将数据发送给处理器(Processor)进行数据提取,如果有继续需要请求的url,请再次调用self.crawl方法,则该任务会被加入任务队列,等待调度器进行调度

二、安装

pip install pyspider
pip uninstall wsgidav #直接安装pyspider 默认这个库版本为3.+,会报错,要使用 2.+版本。
pip install wsgidav==2.4.1
2.1、启动命令:
pyspider #在哪里启动pyspider,数据文件就会位于哪里,可以通过配置文件进行修改。
2.2、访问界面
http://127.0.0.1:5000/
2.3、仪表盘各项功能简介

访问上面的url,我们可以进入到pyspider的管理界面

技术图片

2.4、重要
  • 项目状态有如下分类

    • TODO 一个项目被创建,等待编写脚本执行
    • STOP 停止一个运行的项目
    • CHECKING,如果我们需要对一个运行中的项目,进行修改,则应设置为该状态。
    • DEBUG/RUNNING ,我们想执行一个项目,则需要将状态设置为这两个状态其中之一。然后再点击右方的run按钮。
  • 当组名设置为delete,项目状态为STOP时,24小时爬虫项目会被删除。

  • 我们可以点击右方的Results查看抓取数据结果,抓取的数据默认保存在pyspider启动目录下/data/?result.db

  • rate 代表每一秒发送的请求数,默认1,代表每一秒发送一个请求,数值越大,速度越快。

  • burst 当所有任务被执行完成后,处理数据时又出现新的任务时,此时会默认同时执行3个,但是第四个请求需要等待1秒,也就是rate的值。

三、糗事百科推荐笑话爬取

1、创建项目

技术图片

2、常用工具

技术图片

3、代码
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2020-04-09 17:40:39
# Project: qiushibaike

from pyspider.libs.base_handler import *

headers={
        ‘user_agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36‘,
        }
class Handler(BaseHandler):
    crawl_config = {
        ‘validate_cert‘:False,
        ‘headers‘:headers
    }

    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl(‘https://www.qiushibaike.com/‘, callback=self.index_page)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc(‘a.recmd-content‘).items():
            self.crawl(each.attr.href, callback=self.detail_page)
        flag=response.etree.xpath(‘//span[contains(text(),"下一页")]‘)
        print(flag)
        if flag:
            next_url=response.doc(‘.pagination>li:last-child>a‘).attr("href")
            print(next_url)
            self.crawl(next_url, callback=self.index_page)

    @config(priority=2)
    def detail_page(self, response):
        item={
            "url": response.url,
            "title": response.doc(‘h1.article-title‘).text(),
            "content":response.etree.xpath(‘string(//div[@class="content"])‘),
            "video_source":response.doc(‘#article-video >source‘).attr("src"),
            "img_urls":response.etree.xpath(‘//div[@class="thumb"]//img/@src‘)
        }
        return item

4、执行

技术图片

5、等待一会,就可以查看到数据,可直接下载json,或者csv格式的数据。

技术图片

pyspider_初始

标签:tps   wsgi   img   版本   libs   分组   删除   paginati   return   

原文地址:https://www.cnblogs.com/hjnzs/p/12675504.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!