51Testing软件测试论坛

标题: 爬虫框架pyspider个人总结（详细）熟悉 [打印本页]

---

作者: 测试积点老人    时间: 2018-12-6 14:29
标题: 爬虫框架pyspider个人总结（详细）熟悉


一、为什么要使用pyspider？
我们很好奇，我们明明有了Scrapy框架，为什么还要使用pyspider框架呢？我们说两点

• pyspider的优点，它有这么几个优点
  1.提供WebUI界面，调试爬虫很方便
  2.可以很方便的进行爬取的流程监控和爬虫项目管理
  3.支持常见的数据库
  4.支持使用PhantomJS，可以抓取JavaScript页面
  5.支持优先级定制和定时爬取等功能
  

• 和Scrapy的比较
  1.pyspider 提供 WebUI,Scrapy它采用的是代码和命令行操作，但可以通过对接 Portia 现可视化配置
  2.pyspider 支持 PhantomJS来进行 JavaScript 谊染页面的采集 Scrapy 可以对接 Sc rapy-Splash组件，这需要额外配置
  3.pyspider 中内置pyquery 作为选择器而Scrapy 接了XPath 对接css选择器和正则匹配
  4.pyspider的可扩展程度不高，Scrapy可以通过对接其他的模块实现强大的功能，模块之间的耦合
  

• 总结
  

所以如果要快速实现一个页面的抓取，推荐使用 pyspider,开发更加便捷,如果要应对反爬程度很强、超大规模的抓取，推荐使用 Scrapy

二、pyspider的安装pyspider的安装相对简单，不需要安装一些列的依赖库直接使用

1. pip install pyspider

复制代码

然后等待安装成功就行，也可以使用源码安装

三、pyspider的简单使用1.安装之后先验证是否安装成功，在CMD下输入

1. pyspider

复制代码

或者

1. pyspider all

复制代码

两者是一样的，新的pyspider框架已经整合了，所以使用pyspider就好


[attach]119861[/attach]

出现这个则说明运行成功，运行在5000端口，当然这个可以改

2.打开浏览器，输入

1. http://localhost:5000/

复制代码

进入pyspider控制台

[attach]119862[/attach]

出现这个则说明你的框架没什么问题！！！
我把框架的执行分为了这么几部分

• 创建
• 执行
• 调试
• 结果
  

我们分别来一步步说一下
1.创建

[attach]119864[/attach]

点击create开始创建

[attach]119865[/attach]

弹出两个东西，project name 是你项目的名称 start url 是你要爬取的链接，分别输入以后，再次点击右下角的create，完成创建

[attach]119866[/attach]

整个右边部分，分为这么几个东西
1.右上角的save 是保存按钮，更改代码之后几点保存
2.左上角的#后面的是你创建的一些参数，如创建时间，爬取域名，编码格式等
3.下面的代码部分是创建项目自动生成的，你可以添加一些你自己的东西，我们在这里完成整个项目的爬取、解析、以及保存等工作

• crawl_config：项目的所有爬取配置统一定义到这里，如定义 Headers 、设置代理等，配置之后全局生效
  

• @every：设置定时爬取的时间
• on_start：爬取入口，初始的爬取请求会在这里产生
• self.crawl：该方法是爬取的主方法，被on_start调用，即可新建一个爬取请求，这里面有这么几个参数第一个参数是爬取的 URL ，这里自动替换成我们所定义的 URL ，还有 个参数 callback ，它指定了这个页面爬取成功后用哪个方法进行解析，代码中指定为 Idex_page()方法，即如果这个 URL 对应的页面爬取成功了，那 Response 将交给 index_page （）方法解析
• index_page：方法接收这个 Response 参数，Response 对接了 pyquery 我们直接调用 doc()方法传入相应的css 选择器，就可以像 query 一样解析此页面，代码中默认是 a[href"="http ”］，也就是说该方法解析了页面的所有链接，然后将链接遍历，再次调用了 crawl （）方法生成了新的爬请求，同时再指定了 callback为detail_page ，意思是说这些页面爬取成功了就调用 detail_page方法解析这里，index_page （）实现了两个功能，一是将爬取的结果进行解析， 二是生成新的爬取请求
• detail age：接收 Response 作为参数该方法抓取的就是详情页的信息，不会生成新的请求，只对 Response 对象做解析，解析之后将结果以字典的形式返回，将结果保存到数据库
  

[attach]119869[/attach]

• 点击左上角的pyspider可以返回主控制界面
• 右上角的run可以让程序开始运行
• 底边一排功能从左到右依次是 enable css selector helper：快捷替换css选择器    web：产看该URL下的web界面，html：产看该url下的HTML格式 ，follows：查看一共发起了多少个请求
  

2.执行点击run可以看到暂时执行后的结果
3.如果不正确，或者爬取信息有误，对右边代码部分进行调试
4.最后返回到控制界面，把status改成running，并点击后面的run按钮开始执行
分别显示5m、1h、1d5分钟一小时以及一天的爬取结果，绿色表示成功，红色表示请求次数太多而放弃，蓝色表示等待执行
一般的使用过程就是确定爬取的网站，创建项目，在crawl_config里进行配置，在index_page里确定要爬取的url，在detail_page里确定要爬取的数据信息

四、pyspider框架的架构和执行流程1.pyspider框架的架构
pyspider的架构相对简单分为这么几个部分：scheduler（调度器）、fetcher（抓取器）、processor（脚本执行）任务由 scheduler发起调度，fetcher抓取网页内容， processor执行预先编写的py脚本，输出结果或产生新的提链任务（scheduler)、整个爬取的过程受，Monitor（监控器）的监控，结果保存在Result Worker（结果处理器）中。

2.每个 pyspider 的项目对应一个 Python 脚本，该脚本中定义了一个Handler 类，它有on_start (）方法 爬取首先调用 on_start （）方法生成最初的抓取任务，然后发送给 Scheduler进行调度

3.执行流程

• scheduler 将抓取任务分发给 Fetcher 进行抓取， Fetcher 执行并得到响应，随后将响应发送给Processer
• Processer 处理响应并提取 url，新的 URL 生成新的抓取任务，然后通过消息队列的方式通知Schduler 当前抓取任务执行情况，并将新生成的抓取任务发送Scheduler 如果生成了提取结果，则将其发送到结果队列等待 Result Worker 处理
• Scheduler 接收到新的抓取任务，然后查询数据库，判断其如果是新的抓取任务或者是需要重试的任务就继续进行调度，然后将其发送回Fetcher 进行抓取
• 不断重复以上流程实现抓取
  

---

欢迎光临 51Testing软件测试论坛 (http://bbs.51testing.com/)

Powered by Discuz! X3.2