Features
- 简单、易用;
- 易于定制的 Spider ;
- 多线程实现并发下载。
待改进
- 更多的测试代码;
- 添加更多的网站爬虫示例;
- 完善爬虫调度,支持 Request 优先级调度。
xcrawler 介绍
项目结构
├── demo (一个示例 Spider) │ ├── baidu_news.py │ └── __init__.py ├── README.md (项目文档) ├── setup.py (pip 安装脚本) ├── tests (测试代码,尚未完成) └── xcrawler (核心代码) ├── core │ ├── crawler.py (Crawler process,负责管理引擎的配置和启动) │ ├── engine.py (Crawler engine,负责调度并完成 URL 请求和调用解析方法) │ ├── __init__.py ├── __init__.py ├── spider │ ├── __init__.py │ ├── request.py │ ├── response.py │ └── spider.py (Spider 基类,所有的自定义 Spider 需要从此处继承) └── utils (一些工具函数) ├── __init__.py └── url.py
Crawler engine (生产者+消费者模型)
- 引擎启动时会启动一个后台线程池,后台线程池负责下载由调度器提供给它的所有 URL (Request),并将响应(Response)结果存放到队列中;
- 引擎的前台解析线程会不断消费处理队列中的响应(Response),并调用相应 Spider 的解析函数处理这些相应;
- 引擎负责处页面理解析回来的对象,所有的 Request 对象都会被放到队列中(递归抓取时)等待处理,所有的字典对象(item)送给 Spider 的 process_item 方法处理。
配置介绍
- 配置项目
- download_delay : 每批次之间的下载延迟(单位为秒),默认为 0;
- download_timeout :下载等待延迟,默认为 6 秒;
- retry_on_timeout :即当下载超时后,对应的请求是否应该重试;
- concurrent_requests :并发下载数;
- queue_size :请求队列大小,当队列已满时,会阻塞后续的请求。
- 示例配置:
- 进群:548377875 海量学习教程,大牛随时答疑
settings = { 'download_delay': 0, 'download_timeout': 6, 'retry_on_timeout': True, 'concurrent_requests': 32, 'queue_size': 512 }
Spider 基类关键方法介绍
- spider_started :该方法会在引擎启动时被触发调用,你可以通过继承该方法进行一些初始化工作,比如配置 pipeline 输出文件或者数据库连接等等;
- spider_idle :该方法会在引擎处理空闲状态(即没有任何 requests 在队列)时被触发调用,你可以通过继承该方法给引擎添加新的请求等(使用 self.crawler . crawl ( new_request , spider = self )即可);
- spider_stopped :该方法会在引擎关闭时触发调用,你可以通过继承该方法并在 Spider 结束工作前做一些清理工作,如关闭文件管道、关闭数据库连接等;
- start_requests :该方法会为引擎提该 Spider 的对应种子请求;
- make_requests_from_url :该方法会为你的 URL 创建一个 Request 对象;
- parse :该方法为请求的默认解析函数回调,当然你可以可以在创建 Request 时指定其它的回调函数;
- process_request :每当引擎处理一个 Spider 对应的请求时,该方法会被触发调用,你可以通过继承该方法对 request 做些设置,比如更换随机的 User - Agent ,替换 Cookies 或者代理等;当然,你可以将 request 设置为 None 从而忽略该请求;
- proccess_response :每当引擎处理一个 Spider 对应的响应时,该方法会被触发调用;
- process_item :每当引擎处理一个 Spider 对应的 item 时,该方法会被触发调用,你可以通过继承该方法将抓取并解析到的 item 存储到数据库或者本地文件中。
注意
- 你可以在一个 Crawler 进程中装入不同的 Spider class ,但需要保证不同的 Spider 的名称也要不同,否则会被引擎拒绝;
- 需要根据情况调整下载延迟和并发数大小;下载延迟尽量不要太大,否则每批请求可能会等待较长时间才会处理完成,从而影响爬虫性能;
- Windows 下的测试还没做,我用的是 Ubuntu ,所以如果您有什么问题,欢迎反馈哈!
安装
- 请移步项目主页 xcrawler (https://github.com/chrisleegit/xcrawler) 下载源码;
- 请保证你的安装环境为 Python 3.4+ ;
- 请使用 pip 3 setup.py install 安装即可。
示例
from xcrawler import CrawlerProcess from xcrawler.spider import BaseSpider, Request from lxml.html import fromstring import json __version__ = '0.0.1' __author__ = 'Chris' class BaiduNewsSpider(BaseSpider): name = 'baidu_news_spider' start_urls = ['http://news.baidu.com/'] default_headers = { 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) ' 'Chrome/50.0.2661.102 Safari/537.36' } def spider_started(self): self.file = open('items.jl', 'w') def spider_stopped(self): self.file.close() def spider_idle(self): # 引擎空闲时,你也可以从数据库中提取新的 URL 进来 print('I am in idle mode') # self.crawler.crawl(new_request, spider=self) def make_requests_from_url(self, url): return Request(url, headers=self.default_headers) def parse(self, response): root = fromstring(response.content, base_url=response.base_url) for element in root.xpath('//a[@target="_blank"]'): title = self._extract_first(element, 'text()') link = self._extract_first(element, '@href').strip() if title: if link.startswith('http://') or link.startswith('https://'): yield {'title': title, 'link': link} yield Request(link, headers=self.default_headers, callback=self.parse_news, meta={'title': title}) def parse_news(self, response): pass def process_item(self, item): print(item) print(json.dumps(item, ensure_ascii=False), file=self.file) @staticmethod def _extract_first(element, exp, default=''): r = element.xpath(exp) if len(r): return r[0] return default def main(): settings = { 'download_delay': 1, 'download_timeout': 6, 'retry_on_timeout': True, 'concurrent_requests': 16, 'queue_size': 512 } crawler = CrawlerProcess(settings, 'DEBUG') crawler.crawl(BaiduNewsSpider) crawler.start() if __name__ == '__main__': main()
版权声明
- 本文由 Christopher L 发表,采用 知识共享署名——非商业性使用——相同方式共享 4.0 国际许可协议 进行许可。请确保你已了解许可协议,并在转载 时声明。
- 本文固定链接: http://blog.chriscabin.com/?p=1512。