pyspider + RabbitMQ 使用记 - 上

老白的释然

接到一个爬虫任务，项目比较巨大，原来想用 Requests 配合正则做爬虫。后来得知了 pyspider 这个神器，才知道之前的想法 low 爆了。

按照 GitHub 上的安装教程安装好以后，我们就可以通过 pyspider 命令来启动这个神器，然后在浏览器中打开 http://localhost:5000/ 就可以看到界面了。首先是一个 Dashboard，我们在这里可以创建爬虫项目，点击 Create 然后输入项目名就可以看到代码了。

关于项目的帮助可以看文档，在 GitHub 上可以找到该项目的 Docs 链接，我们现在上来直接看代码，我用中文做下注释。

1. from pyspider.libs.base_handler import *
   
2. # 引入 pyspider 的 base_handler，这个是用来当基类的。
   
3. # 以下就是我们写的类。
   
4. class Handler(BaseHandler):
   
5.     crawl_config = {
   
6.     }
   
7.     # 这个是作为整个项目的全局参数的设置，比如 proxy。
   
8.     @every(minutes=24 * 60)
   
9.     # 这句话是定时启动的意思，这里就是说每一天启动一次。
   
10.     # 以下为爬虫的入口
    
11.     def on_start(self):
    
12.     # 抓 http://scrapy.org/ 的页面，将返回的内容交给 index_page 函数来处理。
    
13.         self.crawl('http://scrapy.org/', callback=self.index_page)
    
14. 
    
15.     @config(age=10 * 24 * 60 * 60)
    
16.     # 每十天重启一次
    
17.     def index_page(self, response):
    
18.         for each in response.doc('a[href^="http"]').items():
    
19.         # 这里将 on_start 抓取 scrapy 首页的返回结果进行过滤，采用了 CSS 选择器选择了 href 的值为 http 开头的所有 a 标签。
    
20.         # 此处循环内的 each 即为网页中的 a 标签。
    
21.             self.crawl(each.attr.href, callback=self.detail_page)
    
22.             # 再次调用 crawl 函数，对 a 标签的 href 中目标网址进行抓取，返回给 detail_page 函数来处理。
    
23. 
    
24.     def detail_page(self, response):
    
25.         return {
    
26.             "url": response.url,
    
27.             # 返回 url 和网页 title 组成的字典。
    
28.             "title": response.doc('title').text(),
    
29.         }

复制代码

作者自己写的中文教程里面已经把很多操作都讲清楚了，我就不抄来了。

对于 ajax 请求的内容可以直接 crawl 那个 ajax 请求的 URL，返回的 response.json 就变成了一个 Python 的字典。

当每个函数 return 的时候，return 的内容被传递到了 BaseHandler 这个基类中的 on_result 函数，其代码如下：

1. def on_result(self, result):
   
2.         """Receiving returns from other callback, override me."""
   
3.         if not result:
   
4.             return
   
5.         assert self.task, "on_result can't outside a callback."
   
6.         if self.is_debugger():
   
7.         # 当在浏览器中调试运行时：
   
8.             pprint(result)
   
9.         if self.__env__.get('result_queue'):
   
10.         # 当被当作任务执行时，即在 Dashboard 中设置为 RUNNING 时，
    
11.             self.__env__['result_queue'].put((self.task, result))

复制代码

然后我们就可以通过重写 on_result 函数，来将所有函数的返回值进行处理，再输出到 RabbitMQ 的队列中。

队列的另一端是数据库写入脚本，该脚本一条一条地从队列中取出消息，然后一个字段一个字段地插入到数据库，不用担心数据库写入时的冲突问题了。

Miss_love

支持分享