Pyspider快速上手

测试积点老人

pyspider简介： PySpider：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是作者之前做的一个爬虫架构的开源化实现。主要的功能需求是：
        1.抓取、更新调度多站点的特定的页面
        2.需要对页面进行结构化信息提取
        3.灵活可扩展，稳定可监控

而这也是绝大多数python爬虫的需求 —— 定向抓取，结构化化解析。但是面对结构迥异的各种网站，单一的抓取模式并不一定能满足，灵活的抓取控制是必须的。为了达到这个目的，单纯的配置文件往往不够灵活，于是，通过脚本去控制抓取是我最后的选择。

而去重调度，队列，抓取，异常处理，监控等功能作为框架，提供给抓取脚本，并保证灵活性。最后加上web的编辑调试环境，以及web任务监控，即成为了这套框架。

pyspider的设计基础是：以python脚本驱动的抓取环模型爬虫

通过python脚本进行结构化信息的提取，follow链接调度抓取控制，实现最大的灵活性

开发快速上手：
通过web化的脚本编写、调试环境。web展现调度状态

抓取环模型成熟稳定，模块间相互独立，通过消息队列连接，从单进程到多机分布式灵活拓展

主要函数解释：

• def on_start(self) 方法是入口代码。当在web控制台点击run按钮时会执行此方法。
• self.crawl(url, callback=self.index_page)这个方法是调用API生成一个新的爬取任务，这个任务被添加到待抓取队列。
• def index_page(self, response) 这个方法获取一个Response对象。 response.doc是pyquery对象的一个扩展方法。pyquery是一个类似于jQuery的对象选择器。
• def detail_page(self, response)返回一个结果集对象。这个结果默认会被添加到resultdb数据库（如果启动时没有指定数据库默认调用sqlite数据库）。你也可以重写on_result(self,result)方法来指定保存位置。
• 更多知识：
• @every(minutes=24*60, seconds=0) 这个设置是告诉scheduler（调度器）on_start方法每天执行一次。
• @config(age=10 * 24 * 60 * 60) 这个设置告诉scheduler（调度器）这个request（请求）过期时间是10天，10天内再遇到这个请求直接忽略。这个参数也可以在self.crawl(url, age=10*24*60*60) 和 crawl_config中设置。
• @config(priority=2) 这个是优先级设置。数字越小越先执行。
  

以爬取财经网财经热评为例：启动函数on_start：

1.   @every(minutes=24 * 60)
   
2.     def on_start(self):
   
3.         self.crawl('http://comments.caijing.com.cn/hottopics/', callback=self.index_page)

复制代码

调用内置函数self.crawl，生成response对象，传给回调函数index_page

1. @config(age=10 * 24 * 60 * 60)
   
2.     def index_page(self, response):
   
3.         # 选择所有href属性以http开头的a标签
   
4.         for each in response.doc('a[href^="http"]').items():
   
5.             # 判断该标签是否是《新闻评论》详情的url
   
6.             if re.match('http://comments.caijing.com.cn/\d+', each.attr.href, re.U):
   
7.                 # 再次发送请求，回调函数为最终的解析函数
   
8.                 self.crawl(each.attr.href, callback=self.detail_page)

复制代码

进入解析方法，解析页面。response.etree是内置方法，它生成一个html的etree对象

1. @config(priority=2)
   
2.     def detail_page(self, response):
   
3.         data = {
   
4.             "url": response.url,
   
5.             # 调用xpath提取title
   
6.             "title": response.etree.xpath('//*[@id="cont_title"]/text()')[0]
   
7.         }
   
8.         return data

复制代码

全部代码：

1. import re
   
2. import json
   
3. 
   
4. class Handler(BaseHandler):
   
5.     crawl_config = {
   
6.     }
   
7. 
   
8.     @every(minutes=24 * 60)
   
9.     def on_start(self):
   
10.         self.crawl('http://comments.caijing.com.cn/hottopics/', callback=self.index_page, force_update=True)
    
11. 
    
12.     @config(age=10 * 24 * 60 * 60)
    
13.     def index_page(self, response):
    
14.         for each in response.doc('a[href^="http"]').items():
    
15.             if re.match('http://comments.caijing.com.cn/\d+', each.attr.href, re.U):
    
16.                 self.crawl(each.attr.href, callback=self.detail_page)
    
17.             elif re.match('http://comments.caijing.com.cn/hottopics/\d+.shtml', each.attr.href, re.U):
    
18.                 self.crawl(each.attr.href, callback=self.index_page, force_update=True)
    
19. 
    
20.     @config(priority=2)
    
21.     def detail_page(self, response):
    
22.         etree = response.etree
    
23.         print type(etree.xpath('//*[@id="cont_title"]/text()')[0].encode('utf-8'))
    
24.         data = {
    
25.             "url": response.url,
    
26.             "title": etree.xpath('//*[@id="cont_title"]/text()')[0].encode('utf-8'),
    
27.             "content":'\n'.join(etree.xpath('//*[@id="the_content"]/p/text()')).encode('utf-8'),
    
28.             "post_time":etree.xpath('//*[@id="pubtime_baidu"]/text()')[0].encode('utf-8'),
    
29.             "source":etree.xpath('//span[@id="source_baidu"]//text()')[0].encode('utf-8'),
    
30.         }
    
31.         return data
    
32. 
    
33.     def on_result(self, result):
    
34.         if not result:
    
35.             return
    
36.         sql = SQL()
    
37.         sql.replace('article', result)

复制代码