Python爬虫的PySpider框架怎么用
Python爬虫的PySpider框架怎么用
这篇文章主要讲解了“Python爬虫的PySpider框架怎么用”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“Python爬虫的PySpider框架怎么用”吧!
概述
pyspider 是一个支持任务监控、项目管理、多种数据库,具有 WebUI 的爬虫框架,它采用 Python 语言编写,分布式架构。详细特性如下:
拥有 Web 脚本编辑界面,任务监控器,项目管理器和结构查看器;
数据库支持 MySQL、MongoDB、Redis、SQLite、Elasticsearch、PostgreSQL、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 Python2&3。
PySpider 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。
基本流程为:Scheduler发起任务调度,Fetcher抓取网页内容,Processer解析网页内容,再将新生成的 Request 发给 Scheduler 进行调度,将生成的提取结果输出保存。
PySpider与Scrapy对比
PySpider | Scrapy | |
---|---|---|
可视化 | 拥有 WebUI,爬虫的编写、调试可在 WebUI 中进行 | 采用代码、命令行操作,实现可视化需对接 Portia |
JS渲染爬取 | 支持使用 PhantomJS 对 JavaScript 渲染页面的采集 | 需对接 Scrapy-Splash 组件 |
解析 | 内置了 PyQuery 作为选择器 | 对接了 XPath、CSS 选择器、正则匹配 |
扩展 | 扩展性弱 | 模块之间耦合度低,扩展性强,如:对接 Middleware、 Pipeline 等组件实现更强功能 |
总的来说,PySpider 更加便捷,Scrapy 扩展性更强,如果要快速实现爬取优选 PySpider,如果爬取规模较大、反爬机制较强,优选 Scrapy。
安装/运行
安装
PySpider目前已不再维护,仅支持到python3.6,所以安装3.6以上的版本会出现报错问题,可按以下方式进行安装:
安装wheel(已安装可跳过)
condainstallwheel
安装pycurl(已安装可跳过)
condainstallpycurl
安装pyspider
pipinstallpyspider
安装phantomjs
解压后将bin目录下的phantomjs.exe复制到python.exe文件所在目录
找到../Python/Lib/python3.7/site-packages/pyspider/run.py
,../Python/Lib/site-packages/pyspider/fetcher/tornado_fetcher.py
,../Python/Lib/site-packages/pyspider/webui/app.py
,将文件里面的async换一个名字(非关键字)就可,例如asynch
找到../Python/Lib/site-packages/pyspider/webui/webdav.py
文件,将'domaincontroller': NeedAuthController(app),
修改成:
'http_authenticator':{'HTTPAuthenticator':NeedAuthController(app)},
降低wsgidav版本
python-mpipuninstallwsgidav#卸载
python-mpipinstallwerkzeug==1.0.0#安装1.0.0版本
运行
cmd窗口中输入pyspider或者pyspider all启动全部
浏览器访问 http://localhost:5000/ ,能访问成功则表明运行成功
PySpider架构
项目开发
创建项目
Create-->Project Name-->Start URL(可省略到代码中再写)-->Create
调试代码
源码解读
#!/usr/bin/envpython#-*-encoding:utf-8-*-#Createdon2021-07-0420:31:18#Project:tripadvisorfrompyspider.libs.base_handlerimport*classHandler(BaseHandler):crawl_config={#全局参数设置,请求头和cookies可以在这里设置(传入关键字及对应的参数即可)}def__init__(self):#初始配置self.base_url='https://www.tripadvisor.cn/Attractions-g298555-Activities?subcategory=49&subtype=0'@every(minutes=24*60)#装饰器,@every设置多久爬取一次(24*60为一天一次)defon_start(self):#开始爬取的入口'''crawl和requests有相同的功能,可以支持get(默认)和post,常用的参数有:data:想要的提交数据callback:执行完crawl后要调用的回调函数method:指定访问方法files:上传文件,{'key':('file.name':'content')}headers:请求头,类型dictcookies:请求的Cookies,类型dicttimeout:请求内容里最大等待秒数.默认值:120connect_timeout:指定请求时链接超时时间,单位秒,默认值:20proxy:设置代理服务器,暂时只支持http代理'''self.crawl(self.base_url,callback=self.index_page,fetch_type='js')#fetch_type='js'爬取异步数据#index_page和detail_page只是初始脚本中的回调函数,除了on_start,其他的函数名可以自定'''@config:age:设置任务的有效期限,在这个期限内目标爬取的网页被认为不会进行修改,以秒为单位priority:设定任务优先级,越大代表有越优先执行auto\_recrawl:设置是否每到age时间重新爬取一次,默认值是:Falsepriority:这个参数用来指定任务的优先级,数值越大越先被执行,默认值为0retries:任务执行失败后重试次数,默认值是3itag:任务标记值,此标记会在抓取时对比,如果这个值发生改变,不管有效期有没有到都会重新抓取新内容.多数用来动态判断内容是否修改或强制重爬,默认值是None'''@config(age=10*24*60*60)#有效期限为十天,十天内的数据不会被重复爬取defindex_page(self,response):foreachinresponse.doc('a[href^="http"]').items():self.crawl(each.attr.href,callback=self.detail_page,fetch_type='js')@config(priority=2)defdetail_page(self,response):return{'''response:crawl:返回的对象是response对象response.url:返回最后的URL地址response.text:请求响应的文本格式内容(如果Response.encoding是None或chardet模块可用,响应内容会自动被解析为指定的编码)response.doc:本方法会调用PyQuery库用返回的内容生成一个PyQuery对象以方便使用response.json:本方法会调用JSON相关库来解析返回的内容response.status_code:返回响应的状态码response.headers:请求响应的头信息,dict格式response.cookies:响应的cookiesresponse.time:抓取使用的时间'''"url":response.url,"title":response.doc('title').text(),#text()返回text文本"html":response.doc('title').html()#html()返回网页,包含标签}
感谢各位的阅读,以上就是“Python爬虫的PySpider框架怎么用”的内容了,经过本文的学习后,相信大家对Python爬虫的PySpider框架怎么用这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是恰卡编程网,小编将为大家推送更多相关知识点的文章,欢迎关注!
推荐阅读
-
python(中无效的十进制怎么解决 python怎么转换进制)
python怎么转换进制?Python执行二进制转换:1.十进制到二进制(bin)首先,让让我们看看如何将十进制转换成二进制。我...
-
python怎么清除完全相同的行(python splte如何分隔有多个相同符号的str)
pythonsplte如何分隔有多个相同符号的str?str你的string内容str_(相同的符号)执行完了以后再在相同符号的...
-
python(编程控制电脑关机 如何控制电脑关机)
如何控制电脑关机?可以在电脑的运行窗口中输入输入公式,给电脑可以设置自动关机。1.按开快捷键winr然后打开运行窗口。2.在运行窗...
-
python中的特殊标识符(python 中 标识符中可以有逗号吗)
python中标识符中可以有逗号吗?在python语言中合法的标识符是字母、数字以及_,所以我合法的标识符中肯定不能有逗号if...
-
python(excel 提取数据写入新表 python导入excel数据找不到工作簿)
python导入excel数据找不到工作簿?我可以导入数据后找不到工作,不是因为他的工作没有被转移。什么软件可提取并合并Exce...
-
python中字典定义的四种方法(python global关键字的用法详解)
pythonglobal关键字的用法详解?global标志实际上是目的是提示python讲解器,说被其修饰的变量是全局变量。这样...
-
python(array用法 python如何对两个数组做差处理)
python如何对两个数组做差处理?Python中的列表中的元素肯定不能真接相加,减。t最佳的位置的是将列表装换成Python中的...
-
python多行注释符号怎么表示
python多行注释符号怎么表示这篇文章主要介绍“python多行...
-
python支持的操作系统是什么
python支持的操作系统是什么这篇文章主要介绍“python支持...
-
python如何判断列表为空
python如何判断列表为空这篇文章主要介绍“python如何判断...