scrapy和pyspider介绍

96
卢大明
0.1 2016.09.06 16:35* 字数 983

人生苦短,别用windows搞python

一开始工作上要写爬虫
当时只听说过scrapy框架,据吹那是好用的一塌糊涂。
但不能你让我用scrapy我就用scrapy
我要自己试一下。
不支持python3。。。

requests+bs4+re就自己开写了,
然后用了多线程,又改成多进程。
总感觉自己写的有点靠不住。

正好发现scrapy开始支持python3了。(然而只能在linux平台,因为scrapy依赖于twisted,而twisted在win平台不支持python3)
又听说了有国人搞出来的pyspider

应该比我自己写的不知道高到哪里去了。

所以还是学习一下框架比较好
pyspider和scrapy都试试。

查了一下,两者对比的评价

pyspider的优点是简单,立刻就能上手,脚本编写规则。懂了的话,一小时写甚至可以写十多个爬虫。
scrapy的优点是自定义程度高,适合学习研究爬虫技术,要学习的相关知识也较多,故而完成一个爬虫的时间较长。

pyspider简介

  • 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架构图


pyspider-arch
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 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,,可以向后链传递信息,异常捕获
  1. 各个组件间使用消息队列连接,除了scheduler是单点的,fetcher 和 processor 都是可以多实例分布式部署的。 scheduler 负责整体的调度控制
  2. 任务由 scheduler 发起调度,fetcher 抓取网页内容, processor 执行预先编写的python脚本,输出结果或产生新的提链任务(发往 scheduler),形成闭环。
  3. 每个脚本可以灵活使用各种python库对页面进行解析,使用框架API控制下一步抓取动作,通过设置回调控制解析动作。

scrapy介绍

Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘,信息处理或存储历史数据等一系列的程序中。
其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
Scrapy用途广泛,可以用于数据挖掘、监测和自动化测试

scrapy架构图:


scrapy-arch
组件 功能
引擎(Scrapy) 用来处理整个系统的数据流处理, 触发事务(框架核心)
调度器(Scheduler) 用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL(抓取网页的网址或者说是链接)的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(Downloader) 用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted上的)
爬虫(Spiders) 爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
项目管道(Pipeline) 负责处理爬虫从网页中抽取的实体,主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后,将被发送到项目管道,并经过几个特定的次序处理数据
下载器中间件(Downloader Middlewares) 位于Scrapy引擎和下载器之间的框架,主要是处理Scrapy引擎与下载器之间的请求及响应
爬虫中间件(Spider Middlewares) 介于Scrapy引擎和爬虫之间的框架,主要工作是处理蜘蛛的响应输入和请求输出
调度中间件(Scheduler Middewares) 介于Scrapy引擎和调度之间的中间件,从Scrapy引擎发送到调度的请求和响应

Scrapy运行流程:

  • 首先,引擎从调度器中取出一个链接(URL)用于接下来的抓取
  • 引擎把URL封装成一个请求(Request)传给下载器,下载器把资源下载下来,并封装成应答包(Response)
  • 然后,爬虫解析Response
  • 若是解析出实体(Item),则交给实体管道进行进一步的处理。
  • 若是解析出的是链接(URL),则把URL交给Scheduler等待抓取

悲剧啊!!

运行起来pyspider不能跑爬虫,一执行就表示python已经奔溃用户你去吃屎吧。
官方文档有一个常见问答
Does pyspider Work with Windows?
Yes, it should, some users have made it work on Windows. But as I don't have windows development environment, I cannot test. Only some tips for users who want to use >pyspider on Windows:

  • Some package needs binary libs (e.g. pycurl, lxml), that maybe you cannot install it from pip, Windowns binaries packages could be found in http://www.lfd.uci.edu/~gohlke/pythonlibs/.
  • Make a clean environment with virtualenv
  • Try 32bit version of Python, especially your are facing crash issue.
  • Avoid using Python 3.4.1 (#194, #217)

呵呵。人生苦短,少用windows。

我的博客: ludaming.com

spider
Web note ad 1