Python 爬蟲（七）：pyspider 使用

文炳春秋 2020-03-13

展開全文

1 簡介

pyspider 是一個支持任務(wù)監(jiān)控、項目管理、多種數(shù)據(jù)庫，具有 WebUI 的爬蟲框架，它采用 Python 語言編寫，分布式架構(gòu)。詳細(xì)特性如下：

擁有 Web 腳本編輯界面，任務(wù)監(jiān)控器，項目管理器和結(jié)構(gòu)查看器；
數(shù)據(jù)庫支持 MySQL、MongoDB、Redis、SQLite、Elasticsearch、PostgreSQL、SQLAlchemy；
隊列服務(wù)支持 RabbitMQ、Beanstalk、Redis、Kombu；
支持抓取 JavaScript 的頁面；
組件可替換，支持單機(jī)、分布式部署，支持 Docker 部署；
強(qiáng)大的調(diào)度控制，支持超時重爬及優(yōu)先級設(shè)置；
支持 Python2&3。

pyspider 主要分為 Scheduler（調(diào)度器）、 Fetcher（抓取器）、 Processer（處理器）三個部分，整個爬取過程受到 Monitor（監(jiān)控器）的監(jiān)控，抓取的結(jié)果被 Result Worker（結(jié)果處理器）處理。基本流程為：Scheduler 發(fā)起任務(wù)調(diào)度，F(xiàn)etcher 抓取網(wǎng)頁內(nèi)容，Processer 解析網(wǎng)頁內(nèi)容，再將新生成的 Request 發(fā)給 Scheduler 進(jìn)行調(diào)度，將生成的提取結(jié)果輸出保存。

2 pyspider `vs` scrapy

pyspider 擁有 WebUI，爬蟲的編寫、調(diào)試可在 WebUI 中進(jìn)行；Scrapy 采用采用代碼、命令行操作，實現(xiàn)可視化需對接 Portia。
pyspider 支持使用 PhantomJS 對 JavaScript 渲染頁面的采集；Scrapy 需對接 Scrapy-Splash 組件。
pyspider 內(nèi)置了 PyQuery（Python 爬蟲（五）：PyQuery 框架）作為選擇器；Scrapy 對接了 XPath、CSS 選擇器、正則匹配。
pyspider 擴(kuò)展性弱；Scrapy 模塊之間耦合度低，擴(kuò)展性強(qiáng)，如：對接 Middleware、 Pipeline 等組件實現(xiàn)更強(qiáng)功能。

總的來說，pyspider 更加便捷，Scrapy 擴(kuò)展性更強(qiáng)，如果要快速實現(xiàn)爬取優(yōu)選 pyspider，如果爬取規(guī)模較大、反爬機(jī)制較強(qiáng)，優(yōu)選 scrapy。

3 安裝

3.1 方式一

pip install pyspider

這種方式比較簡單，不過在 Windows 系統(tǒng)上可能會出現(xiàn)錯誤：Command "python setup.py egg_info" failed with error ...，我在自己的 Windows 系統(tǒng)上安裝時就遇到了該問題，因此，選擇了下面第二種方式進(jìn)行了安裝。

3.2 方式二

使用 wheel 方式安裝。步驟如下：

pip install wheel 安裝 wheel；
打開網(wǎng)址 https://www.lfd./~gohlke/pythonlibs/，使用 Ctrl + F 搜索 pycurl，根據(jù)自己安裝的 Python 版本，選擇合適的版本下載，比如：我用的 Python3.6，就選擇帶有 cp36 標(biāo)識的版本。如下圖紅框所示：

使用 pip 安裝下載文件，如：pip install E:\pycurl-7.43.0.3-cp36-cp36m-win_amd64.whl；
最后還是使用 pip install pyspider 安裝。

執(zhí)行以上安裝步驟后，我們在控制臺輸入 pyspider，如圖所示：

出現(xiàn)上述結(jié)果說明啟動成功，如果啟動時一直卡在 result_worker starting...，我們可以再打開一個控制臺窗口，同樣輸入 pyspider 進(jìn)行啟動，啟動成功后關(guān)掉之前的窗口即可。

啟動成功后，我們再驗證一下，打開瀏覽器，輸入 http://localhost:5000 訪問，如圖所示：

我們發(fā)現(xiàn)確實啟動成功了。

4 快速上手

4.1 創(chuàng)建項目

首先，我們點擊圖形界面中的 Create 按鈕開始創(chuàng)建項目，如圖中紅框所示：

然后會跳出信息填寫窗口，如圖所示：

Project Name：項目名
Start URL(s)：爬取鏈接地址

我們需要填寫 Project Name 和 Start URL(s)，這里以鏈家網(wǎng)二手房信息為例：https://hz./ershoufang/，填寫完成后點擊 Create 按鈕。結(jié)果如圖所示：

4.2 爬蟲實現(xiàn)

pyspider 訪問 https 協(xié)議的網(wǎng)站時會提示證書問題（通常為 HTTP 599），因此我們需要在 crawl 方法中添加參數(shù) validate_cert=False 來屏蔽證書驗證。如圖所示：

我們計劃獲取房子的單價（unit_price）、描述標(biāo)題（title）、賣點信息（sell_point），編寫具體實現(xiàn)如下所示：

from pyspider.libs.base_handler import *


class Handler(BaseHandler):
    crawl_config = {
    }

    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('https://hz./ershoufang/', callback=self.index_page,validate_cert=False)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc('.title').items():
            self.crawl(each.attr.href, callback=self.detail_page,validate_cert=False)
            
    @config(priority=2)
    def detail_page(self, response):
        yield {
            'unit_price':response.doc('.unitPrice').text(),
            'title': response.doc('.main').text(),
            'sell_point': response.doc('.baseattribute > .content').text()
        }

@every(minutes=24 * 60)：通知 Scheduler 每天運行一次。
@config(age=10 * 24 * 60 * 60)：設(shè)置任務(wù)的有效期限。
@config(priority=2)：設(shè)定任務(wù)優(yōu)先級
on_start(self)：程序的入口。
self.crawl(url, callback)：主方法，用于創(chuàng)建一個爬取任務(wù)。
index_page(self, response)：用來抓取返回的 html 文檔中對應(yīng)標(biāo)簽的數(shù)據(jù)。
detail_page(self, response)：返回一個 dict 對象作為結(jié)果。

我們點擊運行按鈕，如圖所示：

點擊之后，我們發(fā)現(xiàn) follows 按鈕處出現(xiàn)了提示信息，如圖所示：

點擊 follows 按鈕，結(jié)果如圖所示：

點擊上圖中紅框圈起來的三角號按鈕，結(jié)果如圖所示：

我們隨意選一條 detail_page，點擊其右側(cè)三角號按鈕，結(jié)果如圖所示：

從結(jié)果來看，已經(jīng)可以爬取到我們需要的信息了。

4.3 數(shù)據(jù)存儲

獲取到信息之后，需要將信息存儲起來，我們計劃將數(shù)據(jù)存儲到 MySQL 數(shù)據(jù)庫。

首先，安裝 pymysql，命令如下：

pip install pymysql

接著添加保存代碼，完整代碼如下：

from pyspider.libs.base_handler import *
import pymysql

class Handler(BaseHandler):
    crawl_config = {
    }

    def __init__(self):
        # 下面參數(shù)修改成自己對應(yīng)的 MySQL 信息 
        self.db = MySQLdb.connect(ip, username, password, db, charset='utf8')
             
    def add_Mysql(self, title, unit_price, sell_point):
        try:
            cursor = self.db.cursor()
            sql = 'insert into house(title, unit_price, sell_point) values ("%s","%s","%s")' % (title[0],unit_price[0],sell_point);  
            print(sql)
            cursor.execute(sql)
            self.db.commit()
        except Exception as e:
            print(e)
            self.db.rollback()
    
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('https://hz./ershoufang/', callback=self.index_page,validate_cert=False)

    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc('.title').items():
            self.crawl(each.attr.href, callback=self.detail_page,validate_cert=False)

    @config(priority=2)
    def detail_page(self, response):
        title = response.doc('.main').text(),
        unit_price = response.doc('.unitPrice').text(),
        sell_point = response.doc('.baseattribute > .content').text()
        self.add_Mysql(title, unit_price, sell_point)
        yield {
            'title': response.doc('.main').text(),
            'unit_price':response.doc('.unitPrice').text(),
            'sell_point': response.doc('.baseattribute > .content').text()
        }

先測試一下是否能將數(shù)據(jù)保存到 MySQL 中，還是選一條 detail_page，如圖所示：

點擊其右側(cè)三角號按鈕，結(jié)果如圖所示：

從輸出結(jié)果來看是執(zhí)行了保存操作，我們再到 MySQL 中看一下，如圖所示：

數(shù)據(jù)已經(jīng)存到了 MySQL 中了。

上面我們是手動操作保存的數(shù)據(jù)，接下來看一下如何通過設(shè)置任務(wù)保存。

點擊當(dāng)前頁左上角的 pyspider 按鈕，如圖所示：

返回 dashboard 界面，如圖所示：

我們點擊 status 下方紅框圈住的位置，將狀態(tài)修改為 RUNNING 或 DEBUG，然后點擊 actions 下方的 run 按鈕即可。

參考：

http://docs./en/latest/