百度爬蟲工程師教你只用500行Python程式碼構建一個輕量級爬蟲框架
阿新 • • 發佈:2018-12-06
Features
- 簡單、易用;
- 易於定製的 Spider ;
- 多執行緒實現併發下載。
待改進
- 更多的測試程式碼;
- 新增更多的網站爬蟲示例;
- 完善爬蟲排程,支援 Request 優先順序排程。
xcrawler 介紹
專案結構
├── demo (一個示例 Spider) │ ├── baidu_news.py │ └── __init__.py ├── README.md (專案文件) ├── setup.py (pip 安裝指令碼) ├── tests (測試程式碼,尚未完成) └── xcrawler (核心程式碼) ├── core │ ├── crawler.py (Crawler process,負責管理引擎的配置和啟動) │ ├── engine.py (Crawler engine,負責排程並完成 URL 請求和呼叫解析方法) │ ├── __init__.py ├── __init__.py ├── spider │ ├── __init__.py │ ├── request.py │ ├── response.py │ └── spider.py (Spider 基類,所有的自定義 Spider 需要從此處繼承) └── utils (一些工具函式) ├── __init__.py └── url.py
Crawler engine (生產者+消費者模型)
- 引擎啟動時會啟動一個後臺執行緒池,後臺執行緒池負責下載由排程器提供給它的所有 URL (Request),並將響應(Response)結果存放到佇列中;
- 引擎的前臺解析執行緒會不斷消費處理佇列中的響應(Response),並呼叫相應 Spider 的解析函式處理這些相應;
- 引擎負責處頁面理解析回來的物件,所有的 Request 物件都會被放到佇列中(遞迴抓取時)等待處理,所有的字典物件(item)送給 Spider 的 process_item 方法處理。
配置介紹
- 配置專案
- download_delay : 每批次之間的下載延遲(單位為秒),預設為 0;
- download_timeout :下載等待延遲,預設為 6 秒;
- retry_on_timeout :即當下載超時後,對應的請求是否應該重試;
- concurrent_requests :併發下載數;
- queue_size :請求佇列大小,當佇列已滿時,會阻塞後續的請求。
- 示例配置:
- 進群:548377875 海量學習教程,大牛隨時答疑
settings = { 'download_delay': 0, 'download_timeout': 6, 'retry_on_timeout': True, 'concurrent_requests': 32, 'queue_size': 512 }
Spider 基類關鍵方法介紹
- spider_started :該方法會在引擎啟動時被觸發呼叫,你可以通過繼承該方法進行一些初始化工作,比如配置 pipeline 輸出檔案或者資料庫連線等等;
- spider_idle :該方法會在引擎處理空閒狀態(即沒有任何 requests 在佇列)時被觸發呼叫,你可以通過繼承該方法給引擎新增新的請求等(使用 self.crawler . crawl ( new_request , spider = self )即可);
- spider_stopped :該方法會在引擎關閉時觸發呼叫,你可以通過繼承該方法並在 Spider 結束工作前做一些清理工作,如關閉檔案管道、關閉資料庫連線等;
- start_requests :該方法會為引擎提該 Spider 的對應種子請求;
- make_requests_from_url :該方法會為你的 URL 建立一個 Request 物件;
- parse :該方法為請求的預設解析函式回撥,當然你可以可以在建立 Request 時指定其它的回撥函式;
- process_request :每當引擎處理一個 Spider 對應的請求時,該方法會被觸發呼叫,你可以通過繼承該方法對 request 做些設定,比如更換隨機的 User - Agent ,替換 Cookies 或者代理等;當然,你可以將 request 設定為 None 從而忽略該請求;
- proccess_response :每當引擎處理一個 Spider 對應的響應時,該方法會被觸發呼叫;
- process_item :每當引擎處理一個 Spider 對應的 item 時,該方法會被觸發呼叫,你可以通過繼承該方法將抓取並解析到的 item 儲存到資料庫或者本地檔案中。
注意
- 你可以在一個 Crawler 程序中裝入不同的 Spider class ,但需要保證不同的 Spider 的名稱也要不同,否則會被引擎拒絕;
- 需要根據情況調整下載延遲和併發數大小;下載延遲儘量不要太大,否則每批請求可能會等待較長時間才會處理完成,從而影響爬蟲效能;
- Windows 下的測試還沒做,我用的是 Ubuntu ,所以如果您有什麼問題,歡迎反饋哈!
安裝
- 請移步專案主頁 xcrawler (https://github.com/chrisleegit/xcrawler) 下載原始碼;
- 請保證你的安裝環境為 Python 3.4+ ;
- 請使用 pip 3 setup.py install 安裝即可。
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): # 引擎空閒時,你也可以從資料庫中提取新的 URL 進來 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()
版權宣告
- 本文由 Christopher L 發表,採用 知識共享署名——非商業性使用——相同方式共享 4.0 國際許可協議 進行許可。請確保你已瞭解許可協議,並在轉載 時宣告。
- 本文固定連結: http://blog.chriscabin.com/?p=1512。