Python pyspider 安裝與開發

PySpider 簡介

PySpider是一個國人編寫的強大的網絡爬蟲系統並帶有強大的WebUI。採用Python語言編寫，分佈式架構，支持多種數據庫後端，強大的WebUI支持腳本編輯器、任務監視器，項目管理器以及結果查看器。
PySpider 來源於之前作的一個垂直搜索引擎使用的爬蟲後端。咱們須要從200個站點（因爲站點失效，不是都同時啦，同時有100+在跑吧）採集數據，並要求在5分鐘內將對方網站的更新更新到庫中。因此，靈活的抓取控制是必須的。
同時，因爲100個站點，天天均可能會有站點失效或者改版，因此須要可以監控模板失效，以及查看抓取狀態。
爲了達到5分鐘更新，咱們使用抓取最近更新頁上面的最後更新時間，以此來判斷頁面是否須要再次抓取。
可見，這個項目對於爬蟲的監控和調度要求是很是高的。
 
PySpider 中文網：http://www.pyspider.cn
PySpider 官網：http://docs.pyspider.org
PySpider 演示：http://demo.pyspider.org
PySpider 源碼：https://github.com/binux/pyspider
 

PySpider 特性

python 腳本控制，能夠用任何你喜歡的html解析包（內置 pyquery）
WEB 界面編寫調試腳本、起停腳本、監控執行狀態，查看活動歷史，獲取結果產出
數據存儲支持MySQL、MongoDB、Redis、SQLite、 ElasticSearch; PostgreSQL 及 SQLAlchemy
隊列服務支持RabbitMQ、Beanstalk、Redis、Kombu
支持抓取 JavaScript 的頁面
組件可替換，支持單機/分佈式部署，支持 Docker 部署
強大的調度控制，支持超時重爬及優先級設置
支持Python 2.{6, 7}, 3.{3, 4, 5, 6}

 

PySpider 安裝

1） pip 安裝
pip能夠在如下版本的CPython下運行：2.6, 2.7, 3.1, 3.2, 3.3, 3.4 和 pypy.
pip能夠在Unix/Linux、Mac OS X、Windows系統中運行.
a）腳本安裝
python get-pip.py
若是 setuptools (或 distribute) 未安裝， get-pip.py
 會 自動爲你安裝 setuptools
若是須要升級 setuptools (或 distribute)，運行 pip install -U setuptools

 
b）命令安裝
sudo apt-get install python-pip         // Debian、Ubuntu
sudo yum install python-pip             // CentOS、Redhat、Fedora
 
2）PhantomJS 安裝
PhantomJS 是一個基於 WebKit 的服務器端 JavaScript API。它全面支持web而不需瀏覽器支持，其快速、原生支持各類Web標準：DOM 處理、CSS 選擇器、JSON、Canvas 和 SVG。 PhantomJS 能夠用於頁面自動化、網絡監測、網頁截屏以及無界面測試等。支持Windows、Linux、Mac OS X等多操做系統。
PhantomJS 下載：http://phantomjs.org/download.html
PhantomJS不須要安裝，解壓後，配置環境變量後，即可直接使用，詳見 PhantomJS 安裝與開發
PhantomJS 安裝命令：
sudo apt-get install phantomjs       // Debian、Ubuntu
sudo pkg install phantomjs       // FreeBSD
brew install phantomjs       // Mac OS X
 
3）PySpider 安裝
PySpider 安裝的依賴包 requirements.txt

Flask>=0.10
Jinja2>=2.7
chardet>=2.2
cssselect>=0.9
lxml
pycurl
pyquery
requests>=2.2
tornado>=3.2
mysql-connector-python>=1.2.2
pika>=0.9.14
pymongo>=2.7.2
unittest2>=0.5.1
Flask-Login>=0.2.11
u-msgpack-python>=1.6
click>=3.3
SQLAlchemy>=0.9.7
six>=1.5.0
amqp>=1.3.0,<2.0
redis
redis-py-cluster
kombu
psycopg2
elasticsearch
tblib

 
PySpider 安裝命令：
pip install pyspider
Ubuntu 用戶，請提早安裝好如下支持類庫：
sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml
 
4）驗證安裝成功
控制檯輸入命令：
pyspider all
使用瀏覽器訪問 http://localhost:5000

正常出現 PySpider 的頁面，那證實一切 OK
 

PySpider 示例

1）示例1：爬取米撲科技首頁（mimvp.com）

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2017-07-28 13:44:53
# Project: pyspiderdemo
# mimvp.com
 
from pyspider.libs.base_handler import *
 
 
class Handler(BaseHandler):
    crawl_config = {
    }
 
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('mimvp.com', 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(),
        }

運行結果：

 
2）示例2：設置代理爬取網頁
PySpider 支持使用代理爬取網頁，其使用代理有兩種方式：
方式1：
--phantomjs-proxy TEXT          phantomjs proxy ip:port
啓動命令例如：
pyspider --phantomjs-proxy "188.226.141.217:8080" all
 
方式2：
設置代理全局變量，以下圖：
crawl_config = {        'proxy' : '188.226.141.217:8080'}
示例代碼：

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2017-07-28 14:13:14
# Project: mimvp_proxy_pyspider
#
# mimvp.com
 
from pyspider.libs.base_handler import *
 
 
class Handler(BaseHandler):
    crawl_config = {
        'proxy' : 'http://188.226.141.217:8080',     # http
        'proxy' : 'https://182.253.32.65:3128'      # https
    }
 
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl('http://proxy.mimvp.com/exist.php', 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(),
        }

運行結果：

 
 

參考推薦：

PhantomJS 安裝與開發
Python requests 安裝與開發
Python scrapy 安裝與開發
Node.js 安裝與開發
Node.js SuperAgent 安裝與開發
Python3 urllib 用法詳解