PySpider 简介
PySpider是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 来源于以前做的一个垂直搜索引擎使用的爬虫后端。我们需要从200个站点(由于站点失效，不是都同时啦，同时有100+在跑吧)采集数据，并要求在5分钟内将对方网站的更新更新到库中。所以，灵活的抓取控制是必须的。
同时，由于100个站点，每天都可能会有站点失效或者改版，所以需要能够监控模板失效，以及查看抓取状态。
为了达到5分钟更新，我们使用抓取最近更新页上面的最后更新时间，以此来判断页面是否需要再次抓取。
可见，这个项目对于爬虫的监控和调度要求是非常高的。
- PySpider 中文网：http://www.pyspider.cn
- PySpider 官网：http://docs.pyspider.org
- PySpider 演示：http://demo.pyspider.org
- PySpider 源码：https://github.com/binux/pyspider
PySpider 特性
python 脚本控制，可以用任何你喜欢的html解析包(内置 pyquery)
WEB 界面编写调试脚本、起停脚本、监控执行状态，查看活动历史，获取结果产出
数据存储支持MySQL、MongoDB、Redis、SQLite、 ElasticSearch; PostgreSQL 及 SQLAlchemy
队列服务支持RabbitMQ、Beanstalk、Redis、Kombu
支持抓取 JavaScript 的页面
组件可替换，支持单机/分布式部署，支持 Docker 部署
强大的调度控制，支持超时重爬及优先级设置
支持Python 2.{6, 7}, 3.{3, 4, 5, 6}
PySpider 安装
1) pip 安装
pip可以在以下版本的CPython下运行：2.6, 2.7, 3.1, 3.2, 3.3, 3.4 和 pypy.
pip可以在Unix/Linux、Mac OS X、Windows系统中运行.
a)脚本安装
python get-pip.py
如果 setuptools (或 distribute) 未安装， get-pip.py
会 自动为你安装 setuptools
如果需要升级 setuptools (或 distribute)，运行 pip install -U setuptools
b)命令安装
sudo apt-get install python-pip // Debian、Ubuntu
sudo yum install python-pip // CentOS、Redhat、Fedora
2)PhantomJS 安装
PhantomJS 是一个基于 WebKit 的服务器端 JavaScript
API。它全面支持web而不需浏览器支持，其快速、原生支持各种Web标准：DOM 处理、CSS 选择器、JSON、Canvas 和 SVG。
PhantomJS 可以用于页面自动化、网络监测、网页截屏以及无界面测试等。支持Windows、Linux、Mac OS X等多操作系统。
PhantomJS 下载：http://phantomjs.org/download.html
PhantomJS不需要安装，解压后，配置环境变量后，便可直接使用，详见 PhantomJS 安装与开发
PhantomJS 安装命令：
sudo apt-get install phantomjs // Debian、Ubuntu
sudo pkg install phantomjs // FreeBSD
brew install phantomjs // Mac OS X
3)PySpider 安装
PySpider 安装的依赖包 requirements.txt
- Flask>=0.10
- Jinja2>=2.7
- chardet>=2.2
- cssselect>=0.9
- lxml
- pycurl
- pyquery
- requests>=2.2
- tornado>=3.2
- mysql-connector-python>=1.2.2
- pika>=0.9.14
- pymongo>=2.7.2
- unittest2>=0.5.1
- Flask-Login>=0.2.11
- u-msgpack-python>=1.6
- click>=3.3
- SQLAlchemy>=0.9.7
- six>=1.5.0
- amqp>=1.3.0,<2.0
- redis
- redis-py-cluster
- kombu
- psycopg2
- elasticsearch
- tblib
PySpider 安装命令：
- pip install pyspider
Ubuntu 用户，请提前安装好以下支持类库：
- sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml
4)验证安装成功
控制台输入命令：
- pyspider all
使用浏览器访问 http://localhost:5000
正常出现 PySpider 的页面，那证明一切 OK
PySpider 示例
1)示例1：爬取米扑科技首页(mimvp.com)
- #!/usr/bin/env python
- # -*- encoding: utf-8 -*-
- # Created on 2017-07-28 13:44:53
- # Project: pyspiderdemo
- # mimvp.com
- from pyspider.libs.base_handler import *
- class Handler(BaseHandler):
- crawl_config = {
- }
- @every(minutes=24 * 60)
- def on_start(self):
- self.crawl('mimvp.com', callback=self.index_page)
- @config(age=10 * 24 * 60 * 60)
- def index_page(self, response):
- for each in response.doc('a[href^="http"]').items():
- self.crawl(each.attr.href, callback=self.detail_page)
- @config(priority=2)
- def detail_page(self, response):
- return {
- "url": response.url,
- "title": response.doc('title').text(),
- }
运行结果：
2)示例2：设置代理爬取网页
PySpider 支持使用代理爬取网页，其使用代理有两种方式：
方式1：
--phantomjs-proxy TEXT phantomjs proxy ip:port
启动命令例如：
pyspider --phantomjs-proxy "188.226.141.217:8080" all
方式2：
设置代理全局变量，如下图：
crawl_config = { 'proxy' : '188.226.141.217:8080'}
示例代码：
- #!/usr/bin/env python
- # -*- encoding: utf-8 -*-
- # Created on 2017-07-28 14:13:14
- # Project: mimvp_proxy_pyspider
- #
- # mimvp.com
- from pyspider.libs.base_handler import *
- class Handler(BaseHandler):
- crawl_config = {
- 'proxy' : 'http://188.226.141.217:8080', # http
- 'proxy' : 'https://182.253.32.65:3128' # https
- }
- @every(minutes=24 * 60)
- def on_start(self):
- self.crawl('http://proxy.mimvp.com/exist.php', callback=self.index_page)
- @config(age=10 * 24 * 60 * 60)
- def index_page(self, response):
- for each in response.doc('a[href^="http"]').items():
- self.crawl(each.attr.href, callback=self.detail_page)
- @config(priority=2)
- def detail_page(self, response):
- return {
- "url": response.url,
- "title": response.doc('title').text(),
- }
运行结果：
作者：mimvp
来源：51CTO