高效率爬虫框架之 pyspider

image

为什么要使用爬虫框架

在我们平常的爬虫使用过程中,只是简单的利用 requsets, xpath 等爬虫库,远远无法达到一个爬虫框架的要求。一个爬虫框架的雏形,应该包含调度器、队列、请求对象等。我们平时写的爬虫程序,连最基本的框架都不具备。

但是这样的架构和模块还是太简单,远远达不到一个框架的要求。如果我们将各个组件独立出来,定义成不同的模块,也就慢慢形成了一个框架。

有了框架之后,我们就不必关心爬虫的全部流程,异常处理、任务调度等都会集成在框架中。我们只需要关心爬虫的核心逻辑部分即可,如页面信息的提取,下一步请求的生成等。这样,不仅开发效率会提高很多,而且爬虫的健壮性也更强。

在项目实战过程中,我们往往会采用爬虫框架来实现抓取,这样可提升开发效率、节省开发时间。而 pyspider 就是一个非常优秀的爬从框架,它的操作便捷、功能强大、利用它我们可以快速方便地完成爬虫的开发。

pyspider 框架介绍

image

pyspider 是由国人 binux 编写的强大的网络爬从系统,它带有强大的 WebUI、脚本编辑器、任务监控器、项目管理以及结果处理器,它支持多种数据库后端、多种消息队列、JavaScript 渲染页面的爬取。使用起来非常方便。

其 GiHub 地址为:

https://github.com/binux/pyspider

官方文档地址:

http://docs.pyspider.org/

pyspider 基本功能

pyspider 的功能有如下几点:

1 提供方便易用的 WebUI 系统,可视化地编写和调式爬虫

2 提供爬取进度监控、爬取结果查看、爬虫项目管理等功能。

3 支持多种后端数据库,如 MySQL、MongoDB、Reids、SQLite、Elasticsearch、PostgreSQL。

4 支持多种消息队列、如 RabbitMQ、Beanstalk、Redis、Kombu。

5 提供优先级控制、失败重试、定时抓取等功能。

6 对接了 PhantomJS、可以抓取 JavaScript 渲染的页面。

7 支持单机和分布式部署、支持 Docker 部署。

如果想要快速方便地实现一个页面的抓取,使用 pyspider 不失为一个好的选择。如快速抓取某个普通新闻网站的新闻内容。但如果应对反爬程度很强、超大规模的抓取、推荐使用 Scrapy、如抓取封 IP、封账号、高频验证的网站的大规模数据采集。

pyspider 的架构

image

pyspider 的架构主要分为 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。

Scheduler 发起任务调度,Fetcher 负责抓取网页内容,Processer 负责解析网页内容,然后将新生成的 Request 发给 Scheduler 进行调度,将生成的提取结果输出保存。

pyspider 的任务执行流程的逻辑很清晰,具体过程如下所示:

1 每个 pysipder 的项目对应一个 Python 脚本,该脚本定义了一个 Handler 类,它有一个 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。

2 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。

3 Processer 处理响应并提取出新的 URL 生成新的抓取任务,然后通过消息队列的方式通知 Scheduler 当前抓取任务执行情况,并将新生成的抓取任务发送给 Scheduler。如果生成了新的提取结果,则将其发送到结果队列等待 Result Worker 处理。

4 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。

5 不断重复以上工作、直到所有的任务都执行完毕,抓取结束。

6 抓取结束后、程序会回调 on_finished() 方法,这里可以定义后处理过程。

今天带大家了解下 pyspider 的基本功能和架构,对 pysider 有个整体的认知。接下来会在出篇 pysipder 实战项目,带你更进一步了解 pysipder 的使用。

本文来源于公众号「痴海」,每天分享 python 干货,回复「1024」,你懂得。

本文章首发在 PythonCaff

人生必有痴,而后又成。