14、pyspider框架

一、pyspider框架介绍

1.简介

pyspider 是个强大的由python实现的爬虫系统。

纯python的
强大的webui，支持脚本编辑，任务监控，项目管理和结果查看
数据后台支持，MySQL，MongoDB,Reids,SQLite,Elasticsearch,PostgreSQL和SQLAlchemy
消息队列支持，RabbitMQ，Beanstalk，Redis以及Kombu
支持任务优先级，定时，失败重试等调度方案
分布式架构，抓取js页面
支持Python2和3

2.安装

‘pip install pyspider’

ubuntu

如果使用ubuntu,请先运行sudo apt update 再运行sudo apt upgrade 更新

apt-get install python python-dev python-distribute python-pip \
libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml \
libssl-dev zlib1g-dev

删除wsgidav 然后重新安装2.4.1版本

windows

1.下载 pyspider

方式一:pip install pyspider

方式二(建议):pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyspider

2.运行 pyspider 运行报如下错误：

 Deprecated option 'domaincontroller': use 'http_authenticator.domain_controller' instead.

解决方案：删除wsgidav 然后重新安装2.4.1版本

(1)where wsgidav找到wsgidav的位置,删除wsgidav.exe

(2)pip install wsgidav==2.4.1 安装2.4.1版本

3.再次运行 pyspider 报错

cannot import name 'DispatcherMiddleware'

解决方案:

#卸载 pip uninstall werkzeug #安装指定版本 pip install werkzeug==0.16.0

4.再次运行 pyspider 运行成功

二、pyspider框架入门

1.启动pyspider

安装好pyspider后，创建一个项目文件夹用来存放相关文件，进入文件夹后运行pyspider命令，默认情况下会运行一个web服务端监听5000端口，通过http://localhost：5000即可访问pyspider的web管理界面，它看起来是这样的：

2.创建一个项目

点击右边的Create按钮，在弹出框里，填写项目名称，和起始url 。

创建完成后，窗口右边部分为代码编辑器，在这里你可以编写你的爬虫脚本。

3.第一个脚本

from pyspider.libs.base_handler import *class Handler(BaseHandler):crawl_config = {}@every(minutes=24 * 60)def on_start(self):self.crawl('http://scrapy.org/', 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(),}

def on_start(selef)是脚本的入口。当你点击run按钮时，它会被调用。
self.crawl(url, callback=self.index_page)是最重要的接口。它会添加一个新的待爬取任务。大部分的设置可以通过self.crawl的参数去指定。
def index_page(self, response)接收一个response对象。response.doc是一个pyquery对象，它有一个类似jQuery选择器一样的接口，去解析页面元素。
def detail_page(self, response)返回一个字典结果。这个结果默认会被写入resultdb（结果数据库）。你可以通过复写on_result(self, result)方法来按照你自己的需求处理结果。
@every(minutes=24 * 60)这个装饰器会告诉调度器，on_start方法将会每天被调用。
@config(age=10 * 24 * 60 * 60)指定当self.crawl爬取的页面类型为index_page(当callback=self.index_page)时的age参数的默认值。参数age可以通过self.crawl(url, age=10*24*60*60)和crawl_config来指定，直接在方法参数中指定具有最高的优先级。
age=10*24*60*60告诉调度器抛弃10天内爬取过的请求。默认情况下，相同URL不会被爬取两次，甚至你修改了代码。对于初学者来说，第一次运行项目然后修改它，在第二次运行项目的情况非常常见，但是它不会再次爬行（阅读itag了解解决方案）
@config(priority=2)标志着，detail page将会被优先爬取。

你可以通过点击绿色的run按钮，一步一步的调试你的脚本。切换到follows面板，点击play按钮前进。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EYzmCHn1-1614400262039)(images/run_one_step.png)]

4.运行项目

保存脚本
返回后台首页，找到你的项目
改变status为DEBUG或RUNNING
点击按钮run

三、架构

1.概述

下图显示了pyspider体系结构及其组件的概述，以及系统内部发生的数据流的概要。

组件之间通过消息队列进行连接。每一个组件都包含消息队列，都在它们自己的进程/线程中运行，并且是可以替换的。这意味者，当处理速度缓慢时，可以通过启动多个processor实例来充分利用多核cpu，或者进行分布式部署。

2.组件

Scheduler

调度器从processor返回的新任务队列中接收任务。判断是新任务还是需要重新爬取。通过优先级对任务进行分类，并且利用令牌桶算法将任务发送给fetcher. 处理周期任务，丢失的任务和失败的任务，并且稍后重试。

以上都可以通过self.crawl进行设置。

注意，在当前的调度器实现中，只允许一个调度器。

Fetcher

Fetcher的职责是获取web页面然后把结果发送给processor。请求method， headers， cookies， proxy， etag 等，都可以设置。

Processor

处理器的职责是运行用户编写的脚本，去解析和提取信息。您的脚本在无限制的环境中运行。尽管我们有各种各样的工具（如风PyQuery)供您提取信息和连接，您可以使用任何您想使用的方法来处理响应。

处理器会捕捉异常和记录日志，发送状态（任务跟踪）和新的任务给调度器，发送结果给Result Worker

Result Worker

Result Worker从Porcess接收结果。Pyspider有一个内置的结果处理器将数据保存到resultdb.根据您的需要重写它以处理结果。

WebUI

WebUI是一个面向所有内容的web前端。它包含：

脚本编辑器，调试器
项目管理器
任务监控程序
结果查看器和导出

也许webui是pyspider最吸引人的地方。使用这个强大的UI，您可以像pyspider一样一步一步地调试脚本。启动停止项目。找到哪个项目出错了，什么请求失败了，然后使用调试器再试一次。

Data flow

pyspider中的数据流如上图所示:

当您按下WebUI上的Run按钮时，每个脚本都有一个名为on_start的回调。作为项目的入口，on_start产生的新任务将会提交给调度器。
调度程序使用一个数据URI将这个on_start任务分派为要获取的普通任务。
Fetcher对它发出一个请求和一个响应(对于数据URI，它是一个假的请求和响应，但与其他正常任务没有区别)，然后送给处理器。
处理器调用on_start方法并生成一些要抓取的新URL。处理器向调度程序发送一条消息，说明此任务已完成，并通过消息队列将新任务发送给调度程序(在大多数情况下，这里没有on_start的结果。如果有结果，处理器将它们发送到result_queue)。
调度程序接收新任务，在数据库中查找，确定任务是新的还是需要重新抓取，如果是，将它们放入任务队列。按顺序分派任务。
这个过程重复(从步骤3开始)，直到WWW死后才停止;-)。调度程序将检查定期任务，以抓取最新数据。

3.关于任务

任务是调度的基本单元。

基本原理

任务由它的taskid(默认：md5(url), 可以通过重写get_taskid(self, task)方法来修改)来区分。
不同项目之间的任务是隔离的
一个任务有4个状态：
- active
- failed
- success
- bad-not used
只有处于active状态的任务会被调度
任务按优先次序执行。

调度

新任务

当一个新的任务(从未见过)出现:

如果设置了exetime但没有到达，它将被放入一个基于时间的队列中等待。
否则将被接受。

当任务已经在队列中：

除非（force_update）强制更新，否则忽略

当一个完成过的任务出现时:

如果age设置，且last_crawl_time + age < now 它将会被接受，否则抛弃。
如果itag设置，且它不等于上一次的值，它会被接受，否则抛弃。

重试

当请求错误或脚本错误发生时，任务将在默认情况下重试3次。

第一次重试将在30秒、1小时、6小时、12小时后每次执行，任何更多的重试将推迟24小时。retry_delay是一个指定重试间隔的字典。这个字典中的元素是{retried:seconds}, 如果未指定，则使用特殊键：''空字符串指定的默认推迟时间。

例如默认的retry_delay声明如下：

class MyHandler(BaseHandler):retry_delay = {0: 30,1: 1*60*60,2: 6*60*60,3: 12*60*60,'': 24*60*60}

4.关于项目

在大多数情况下，项目是为一个网站编写的一个脚本。

项目是独立的，但是可以用from Projects import other_project将另一个项目作为模块导入
一个项目有5个状态：TODO,STOP,CHECKING,DEBUG和RUNNING
- TODO - 刚创建，正在编写脚本
- 如果您希望项目停止(= =)，可以将其标记为STOP。
- CHECKING - 当正在运行的项目被修改时，为了防止未完成的修改，项目状态将被设置为自动检查。
- DEBUG/RUNNING - 这两种状态对爬虫没有区别。但最好在第一次运行时将其标记为DEBUG，然后在检查后将其更改为RUNNING。
爬行速率由rate 和burst并采用令牌桶算法进行控制。
- rate - 一秒钟内有多少请求
- burst - 考虑这种情况，RATE/BURST=0.1/3，这意味着蜘蛛每10秒抓取1个页面。所有任务都已完成，Project将每分钟检查最后更新的项目。假设找到3个新项目，pyspider将“爆发”并爬行3个任务，而不等待3*10秒。但是，第四个任务需要等待10秒。
若要删除项目，请将“组”设置为“删除”，将“状态”设置为“停止”，然后等待24小时。

回调`on_finished`

您可以在项目中重写on_finished方法，当task_queue变为0时将触发该方法。

第一种情况：当您启动一个项目来抓取一个包含100个页面的网站时，当100个页面被成功抓取或重试失败时，on_finished回调将被触发。

第二种情况：带有auto_recrawl任务的项目永远不会触发on_finished回调，因为当其中有auto_recrawl任务时，时间队列永远不会变为0。

第三种情况：带有@every修饰方法的项目将在每次新提交的任务完成时触发on_finished回调。

5. 脚本环境

变量

self.project_name
self.project 当前项目的详细信息
self.response
self.task

官方文档：http://docs.pyspider.org/en/latest/

关于脚本

handler的名称并不重要，但您需要至少一个继承basehandler的类
可以设置第三个参数来获取任务对象:def callback(self、response、task)
默认情况下，非200响应不会提交回调。可以使用@catch_status_code_error来处理非200响应

关于环境

logging,print以及异常会被捕获。
你可以通过from projects import some_project将其他项目当做模块导入。

Web view

以浏览器呈现的方式查看页面(大约)

HTML view

查看当前回调的HTML（索引页、细节页等）

Follows view

查看可从当前回调进行的回调
索引页面跟随视图将显示可执行的详细页面回调。

Messages view

显示self.send_message发送的消息

Enable CSS Selector Helper

启用Web视图的CSS选择器帮助程序。它获取您单击的元素的CSS选择器，然后将其添加到脚本中。

6.处理结果

从WebUI下载和查看数据很方便，但可能不适用于计算机。

使用resultdb

虽然resultdb仅用于结果预览，但不适用于大规模存储。

但是，如果您想从resultdb中获取数据，那么有一些使用数据库API的简单案例可以帮助您连接和选择数据。

from pyspider.database import connect_database
resultdb = connect_database("<your resutldb connection url>")
for project in resultdb.projects:for result in resultdb.select(project):assert result['taskid']assert result['url']assert result['result']

result['result']是由你编写的脚本中的RETURN语句提交的对象。

使用ResultWorker

在生产环境中，你可能希望将pyspider连接到你的系统的处理管道，而不是将结果存储到resultdb中。强烈建议重写ResultWorker。

from pyspider.result import ResultWorkerclass MyResultWorker(ResultWorker):def on_result(self, task, result):assert task['taskid']assert task['project']assert task['url']assert result# your processing code goes here

result是你脚本中return语句提交的对象。

您可以将这个脚本（例如，my_result_worker.py）放在启动pyspider的文件夹中。

为result_worker子命令添加参数：

pyspider result_worker --result-cls=my_result_worker.MyResultWorker

或者,如果你使用配置文件

{..."result_worker": {"result_cls": "my_result_worker.MyResultWorker"}...
}

为了兼容性，将存储在数据库中的结果编码为JSON。强烈建议您设计自己的数据库，并覆盖上面描述的ResultWorker。

关于结果的小技巧

想要在回调中返回多个结果?

resultdb会通过taskid(url)对结果进行去重，后面的结果会覆盖前面的。

一个解决方案是使用send_message API为每个结果生成一个伪taskid。

def detail_page(self, response):for li in response.doc('li').items():self.send_message(self.project_name, {...}, url=response.url+"#"+li('a.product-sku').text())def on_message(self, project, msg):return msg

四、V2EX网站

网站简介
创意工作者的社区。讨论编程、设计、硬件、游戏等令人激动的话题。
网址首页:https://www.v2ex.com/

爬取内容

主页：https://www.v2ex.com/go/python

爬取问题与答案

代码实现

主要知识点

pyspider操作的创建运行调试操作
目标数据提取逻辑
mysql的存储数据

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Project: V2EXfrom pyspider.libs.base_handler import *
import  pymysql
import  logging
logger=logging.getLogger(__name__)
class Handler(BaseHandler):crawl_config = {}def __init__(self):self.conn=pymysql.connect(host="localhost",user="root",password="123789",database="v2ex",charset="utf8")self.cursor=self.conn.cursor()self.page_num=1@every(minutes=24 * 60)def on_start(self):print("执行on_start")self.crawl('https://www.v2ex.com/go/python', callback=self.index_page, validate_cert=False)@config(age=10 * 24 * 60 * 60)def index_page(self, response):print("执行index_page", response)topic_list = response.etree.xpath('//a[@class="topic-link"]/@href')print(topic_list)for topic_link in topic_list:# 完整路径的拼接topic_link = "https://www.v2ex.com" + topic_linkprint(topic_link)self.crawl(topic_link, callback=self.detail_page, validate_cert=False)#请求下一页self.page_num+=1next_page="https://www.v2ex.com/go/python?p={}".format(self.page_num)self.crawl(next_page, callback=self.index_page, validate_cert=False)@config(priority=2)def detail_page(self, response):print("执行detail_page", response)# 1.topictopic = response.etree.xpath("//h1/text()")[0]print("topic", topic)# 2.topic_contenttopic_content = response.etree.xpath('string(//div[@class="topic_content"])')print(topic_content)topic_url=response.urltry:sql="insert  into  topic(topic,topic_content,topic_url)  values(%s,%s,%s)"self.cursor.execute(sql,(topic,topic_content,topic_url))self.conn.commit()except Exception  as  e:self.conn.rollback()logger.warning("写入topic数据错误",e)# 3.reply_contentreply_list = response.etree.xpath('//div[@class="reply_content"]')print("reply_list", reply_list)#查找topic_idsql="select  id  from  topic where  topic_url=%s"self.cursor.execute(sql, (topic_url))topic_id=self.cursor.fetchone()print("topic_id",topic_id)if topic_id:topic_id=topic_id[0]for reply in reply_list:reply_content = reply.xpath('string(.)')print(reply_content)try:sql = "insert  into  reply_content(topic_id,reply_content,topic_url)  values(%s,%s,%s)"self.cursor.execute(sql, (topic_id, reply_content, topic_url))self.conn.commit()except Exception  as  e:self.conn.rollback()logger.warning("写入reply_content数据错误", e)return {"topic": topic,"topic_content": topic_content,}

topic数据表

reply_content数据表

五、API参考

1.self.crawl

官方文档地址:http://docs.pyspider.org/en/latest/apis/self.crawl/

部分参数整理

url:统一资源定位符
callback:回调函数
method:请求方法
params:请求参数
data;form表单数据
age:过期时间
priority:权限,优先级
exetime:执行时间
retries:重试次数
itag:页面标识
auto_recrawl:自动重爬

user_agent:用户代理
headers:请求头
cookies:cookies
connect_timeout:连接超时
timeout:响应超时
allow_redirects:允许重定向
validate_cert:证书验证
proxy:代理
fetch_type:抓取方式
save:参数传递

self.crawl(url, **kwargs)

self.crawl是告诉pyspider应该爬取哪个url的主要接口程序。

参数

url

将被爬取的url或url列表

callback

解析返回响应的方法

def on_start(self):self.crawl('http://scrapy.org/', callback=self.index_page)

接下来的参数可选

age

任务的有效期。在此期间，页面将被视为未修改。默认：-1(不会再次爬取)

@config(age=10 * 24 * 60 * 60)
def index_page(self, response):...

每个被index_page解析的页面将被视为10天内不会发生改变。如果您在10天内提交的任务，它将被丢弃。

priority

待调度任务的优先级越高优先级越大。默认：0

def index_page(self):self.crawl('http://www.example.org/page2.html', callback=self.index_page)self.crawl('http://www.example.org/233.html', callback=self.detail_page,priority=1)

页面233.html将会比page2.html优先爬取。使用此参数执行广度优先算法从而减少队列中任务的数量，控制内存资源。

exetime

任务的执行时间（时间戳）。默认：0（立即运行）

import time
def on_start(self):self.crawl('http://www.example.org/', callback=self.callback,exetime=time.time()+30*60)

页面将在30分钟后执行。

retries

失败时的重试次数。默认：3

itag

来自前沿页面的标记，用于显示任务的潜在修改。它将与其最后一个值进行比较，更改后重新爬取。默认：None

def index_page(self, response):for item in response.doc('.item').items():self.crawl(item.find('a').attr.url, callback=self.detail_page,itag=item.find('.update-time').text())

在上面的例子中，.update-time作为itag。如果没有更改，请求将被丢弃。

或者如果希望重新启动所有的任务，你可以通过Handler.crawl_config来设置itag,指定脚本的版本。

class Handler(BaseHandler):crawl_config = {'itag': 'v223'}

修改脚本后更改itag的值，然后再次单击run按钮。如果之前没有设置，也没有关系。

auto_recrawl

当启用时，任务会在每个生命周期重新爬取。默认：False

def on_start(self):self.crawl('http://www.example.org/', callback=self.callback,age=5*60*60, auto_recrawl=True)

每5个小时页面会被重新爬取。

method

使用的http请求方法。默认：GET

params

要附加到URL的URL参数字典。

def on_start(self):self.crawl('http://httpbin.org/get', callback=self.callback,params={'a': 123, 'b': 'c'})self.crawl('http://httpbin.org/get?a=123&b=c', callback=self.callback)

这两个请求相同。

data

附加到请求的请求体。如果提供字典，则将进行表单编码。

def on_start(self):self.crawl('http://httpbin.org/post', callback=self.callback,method='POST', data={'a': 123, 'b': 'c'})

files

要上传的文件，格式为字典{field: {filename: 'content'}}

user_agent

请求的用户代理

headers

要发送的请求头字典。

cookies

要附加到请求的cookie字典

timeout

获取页面的最长时间（秒）。默认：120

allow_redirects

遵循30x重定向，默认：True

taskid

唯一标识任务的id，默认是MD5检查代码的URL，可以被def get_taskid(self, task)方法覆盖

import json
from pyspider.libs.utils import md5string
def get_taskid(self, task):return md5string(task['url']+json.dumps(task['fetch'].get('data', '')))

默认情况下，只有url的md5值作为taskid，上面的代码将post请求的数据添加为taskid的一部分。

save

一个传递给回调方法的对象，可以通过response.save访问

def on_start(self):self.crawl('http://www.example.org/', callback=self.callback,save={'a': 123})def callback(self, response):return response.save['a']

123将在callback里返回。

2.Response

响应对象的属性。

Response.url

最终的URL

Response.text

unicode编码的响应文本。

如果Response.encoding为None，charset模块可用，内容编码将会被猜测。

Response.content

二进制格式的响应内容。

Response.doc

响应内容的PyQuery对象。

参考PyQuery的文档:https://pythonhosted.org/pyquery/

Response.etree

响应内容的lxml对象。

Response.json

响应的json编码内容(如果有的话)。

3.self.send_message

self.send_message(project, msg, [url])

发送消息给其他项目。可以被def on_message(self, project, message)接收。

project - 项目名
msg - 任何可以json序列化的对象
url - 如果有想同的任务结果将被覆盖。在默认情况下send_message会共享当前taskid. 更改它可以实现一个响应返回多个结果。

def detail_page(self, response):for i, each in enumerate(response.json['products']):self.send_message(self.project_name, {"name": each['name'],'price': each['prices'],}, url="%s#%s" % (response.url, i))def on_message(self, project, msg):return msg

4.@catch_status_code_error

非200的响应将被视为fetch失败，不会传递给回调函数。使用此装饰器覆盖此特性。

def on_start(self):self.crawl('http://httpbin.org/status/404', self.callback)@catch_status_code_error
def callback(self, response):...

当请求失败时，回调将不会执行(使用状态代码404)。使用@catch_status_code_error装饰器，即使请求失败，也会执行回调。

5.@every(minutes=0, seconds=0)

方法将每隔几分钟或几秒调用一次

@every(minutes=24 * 60)
def on_start(self):for url in urllist:self.crawl(url, callback=self.index_page)

这些url将没24小时重新爬取一次。注意，如果使用age，周期比@every长，抓取请求将被丢弃，因为它被认为没有改变:

@every(minutes=24 * 60)
def on_start(self):self.crawl('http://www.example.org/', callback=self.index_page)@config(age=10 * 24 * 60 * 60)
def index_page(self):...

即使抓取请求每天都被触发，但它被丢弃，并且每10天才重新启动一次。

拓展

六、部署

由于pyspider具有各种组件，因此您只需运行pyspider即可启动独立的第三个免费服务实例。或者使用MySQL或MongoDB和RabbitMQ来部署分布式爬网集群。要在产品环境中部署pyspider，在每个进程中运行组件并在数据库服务中存储数据更可靠和更灵活。

1.依赖安装

要在每个进程中部署pyspider组件，至少需要一个数据库服务。

pyspider现在支持MySQL、MongoDB和PostgreSQL。你可以从中选一个。

您需要一个消息队列服务来将这些组件连接在一起。您可以使用RabbitMQ、Beanstalk或Redis作为消息队列。

pip install pyspider[all]

即使您以前使用pip安装过pyspider。要安装MySQL/MongoDB/RabbitMQ的需求，必须使用pyspider[all]安装。

如果你正在使用Ubuntu，试试:

apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml

安装二进制包。

2.部署

本文档基于MySQL + Redis

config.json

尽管可以使用命令行指定参数。配置文件是更好的选择。

{"taskdb": "mysql+taskdb://username:password@host:port/taskdb","projectdb": "mysql+projectdb://username:password@host:port/projectdb","resultdb": "mysql+resultdb://username:password@host:port/resultdb","message_queue": "redis://host:6379/db","webui": {"username": "some_name","password": "some_passwd","need-auth": true}
}

通过运行pyspider—help和pyspider webui—help，您可以获得完整的子命令选项。“webui”在JSON中是子命令的配置。您可以为其他类似的组件添加参数。

Database Connection URI

“taskdb”、“projectdb”、“resultdb”使用数据库连接URI，格式如下:

mysql:mysql+type://user:passwd@host:port/database
sqlite:# relative pathsqlite+type:///path/to/database.db# absolute pathsqlite+type:path/to/database.db# memory databasesqlite+type://
mongodb:mongodb+type://[username:password@]host1[:port1][,host2[:port2],...[,hostN[:portN]]][/[database][?options]]more: http://docs.mongodb.org/manual/reference/connection-string/
sqlalchemy:sqlalchemy+postgresql+type://user:passwd@host:port/databasesqlalchemy+mysql+mysqlconnector+type://user:passwd@host:port/databasemore: http://docs.sqlalchemy.org/en/rel_0_9/core/engines.html
local:local+projectdb://filepath,filepathtype:should be one of `taskdb`, `projectdb`, `resultdb`.

Message Queue URL

您可以使用连接URL指定消息队列:

rabbitmq:amqp://username:password@host:5672/%2FRefer: https://www.rabbitmq.com/uri-spec.html
beanstalk:beanstalk://host:11300/
redis:redis://host:6379/dbredis://host1:port1,host2:port2,...,hostn:portn (for redis 3.x in cluster mode)
builtin:None

postgresql提示:您需要创建自己编码utf8的数据库。pyspider不会为您创建数据库。

3.running

您应该使用子命令单独运行组件。您可以在命令后添加&使其在后台运行，并使用screen或nohup来防止ssh会话结束后退出。建议使用Supervisor管理组件。

# start **only one** scheduler instance
pyspider -c config.json scheduler# phantomjs
pyspider -c config.json phantomjs# start fetcher / processor / result_worker instances as many as your needs
pyspider -c config.json --phantomjs-proxy="localhost:25555" fetcher
pyspider -c config.json processor
pyspider -c config.json result_worker# start webui, set `--scheduler-rpc` if scheduler is not running on the same host as webui
pyspider -c config.json webui

create table scrapydoc (
id int primary key auto_increment,
title varchar(128),
url varchar(256) unique,
html mediumblob,
content mediumblob,
`index` int
);

七、案例

爬取scrapy文档

1.数据库设计：

create table scrapydoc (
id int primary key auto_increment,
title varchar(128),
url varchar(256) unique,
html mediumblob,
content mediumblob,
`index` int
);

2.代码:

from pyspider.libs.base_handler import *
from pyspider.result import ResultWorkerclass MyResultWorker(ResultWorker):def on_result(self, task, result):if not result:returnself.resultdb._replace(tablename='scrapydoc', **self.resultdb._stringify(result))# self.resultdb.dbcur.execute('insert into scrapydoc (`title`, `url`, `html`, `content`, `index`) values (%s, %s, %s, %s, %s)', (result['title'], result['url'], result['html'], result['content'], result['index']))super().on_result(task, {'title': result['title']})class Handler(BaseHandler):crawl_config = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 \(KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36','itag': '1.5','etag': False,'last_modified':False}@every(minutes=60*24)def on_start(self):self.crawl('https://docs.scrapy.org/en/latest/index.html', callback=self.index_page)@config(age=60*60*24*10)def index_page(self, response):urls = ['%s%s' % ('https://docs.scrapy.org/en/latest/', x) for x inresponse.etree.xpath('//div[@class="wy-menu wy-menu-vertical"]//li/a/@href')]title = response.etree.xpath('/html/head/title/text()')[0]html = response.textcontent = response.etree.xpath('string(//div[@itemprop="articleBody"])')for index, url in enumerate(urls):self.crawl(url, callback=self.detail_page, save={'index': index+1})return {'title': title,'html': html,'content': content,'url': response.url,'index': 0}@config(priority=2)def detail_page(self, response):title = response.etree.xpath('/html/head/title/text()')[0]html = response.textcontent = response.etree.xpath('string(//div[@itemprop="articleBody"])')return {'title': title,'html': html,'content': content,'url': response.url,'index': response.save['index']}

3.配置文件：

{"taskdb": "mysql+taskdb://root:61866871@localhost:3306/ps_task","projectdb": "mysql+projectdb://root:61866871@localhost:3306/ps_project","resultdb": "mysql+resultdb://root:61866871@localhost:3306/ps_result","message_queue": "redis://localhost:6379/1","webui": {"username": "admin","password": "admin","need-auth": true},"result_worker": {"result_cls": "scrapydoc.MyResultWorker"}}