'教你實現python爬蟲平臺的架構和框架的選型'
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
通過這種方式,我們就解決了爬蟲運行時,參數的的動態傳遞問題。
6、 爬蟲部署到服務端
安裝scrapyd
pip install scrapyd
安裝scrapyd-deploy
pip install scrapyd-client
scrapyd 是scrapy的爬蟲服務端,安裝完成後,執行scrapyd可以啟動服務端。
啟動時默認端口為6800
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
通過這種方式,我們就解決了爬蟲運行時,參數的的動態傳遞問題。
6、 爬蟲部署到服務端
安裝scrapyd
pip install scrapyd
安裝scrapyd-deploy
pip install scrapyd-client
scrapyd 是scrapy的爬蟲服務端,安裝完成後,執行scrapyd可以啟動服務端。
啟動時默認端口為6800
啟動後,通過瀏覽器可以訪問http://localhost:6800/
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
通過這種方式,我們就解決了爬蟲運行時,參數的的動態傳遞問題。
6、 爬蟲部署到服務端
安裝scrapyd
pip install scrapyd
安裝scrapyd-deploy
pip install scrapyd-client
scrapyd 是scrapy的爬蟲服務端,安裝完成後,執行scrapyd可以啟動服務端。
啟動時默認端口為6800
啟動後,通過瀏覽器可以訪問http://localhost:6800/
服務端啟動後,就可以通過scrapyd-deploy 來提交部署開發好的爬蟲了。
scrapyd-deploy <target> -p <project> --version <version>
部署成功後,就可以看到自己的爬蟲項目了
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
通過這種方式,我們就解決了爬蟲運行時,參數的的動態傳遞問題。
6、 爬蟲部署到服務端
安裝scrapyd
pip install scrapyd
安裝scrapyd-deploy
pip install scrapyd-client
scrapyd 是scrapy的爬蟲服務端,安裝完成後,執行scrapyd可以啟動服務端。
啟動時默認端口為6800
啟動後,通過瀏覽器可以訪問http://localhost:6800/
服務端啟動後,就可以通過scrapyd-deploy 來提交部署開發好的爬蟲了。
scrapyd-deploy <target> -p <project> --version <version>
部署成功後,就可以看到自己的爬蟲項目了
7、 創建服務端的爬蟲任務
如果是在linux命令下,可以通過
curl http://localhost:6800/schedule.json -d project= zj_scrapy -d spider=sjqq
來提交一個爬蟲任務,提交完成後,會返回提交的任務狀態,這個其實就是提交了一個http請求
{
"node_name": "ZJPH-0321",
"status": "ok",
"jobid": "dd7f10aca76e11e99b656c4b90156b7e"
}
提交成功後,可以在瀏覽器的job下面看到任務的執行情況
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
通過這種方式,我們就解決了爬蟲運行時,參數的的動態傳遞問題。
6、 爬蟲部署到服務端
安裝scrapyd
pip install scrapyd
安裝scrapyd-deploy
pip install scrapyd-client
scrapyd 是scrapy的爬蟲服務端,安裝完成後,執行scrapyd可以啟動服務端。
啟動時默認端口為6800
啟動後,通過瀏覽器可以訪問http://localhost:6800/
服務端啟動後,就可以通過scrapyd-deploy 來提交部署開發好的爬蟲了。
scrapyd-deploy <target> -p <project> --version <version>
部署成功後,就可以看到自己的爬蟲項目了
7、 創建服務端的爬蟲任務
如果是在linux命令下,可以通過
curl http://localhost:6800/schedule.json -d project= zj_scrapy -d spider=sjqq
來提交一個爬蟲任務,提交完成後,會返回提交的任務狀態,這個其實就是提交了一個http請求
{
"node_name": "ZJPH-0321",
"status": "ok",
"jobid": "dd7f10aca76e11e99b656c4b90156b7e"
}
提交成功後,可以在瀏覽器的job下面看到任務的執行情況
如果需要攜帶自定義的參數,那麼可以通過-d來指定,比如-d cc=scrapttest,和前面在本地執行時,增加自定義參數是一樣的。
也可以通過http請求工具(比如soapui)提交一個http請求來觸發一個爬蟲任務
首先來看一下一個爬蟲平臺的設計,作為一個爬蟲平臺,需要支撐多種不同的爬蟲方式,所以一般爬蟲平臺需要包括
1、 爬蟲規則的維護,平臺在接收到爬蟲請求時,需要能按照匹配一定的規則去進行自動爬蟲
2、 爬蟲的job調度器,平臺需要能負責爬蟲任務的調度,比如定時調度,輪訓調度等。
3、 爬蟲可以包括異步的海量爬蟲,也可以包括實時爬蟲,異步爬蟲指的是爬蟲的數據不會實時返回,可能一個爬蟲任務會執行很久。 實時爬蟲指爬的數據要實時返回,這個就要求時間很短,一般適合少量數據的爬蟲。
4、 爬蟲好的數據可以生成指定的文件,比如csv文件,json文件等,然後通過數據處理引擎做統一處理,比如csv文件可以通過數據交換落入大數據平臺,或者爬蟲好的數據也可以丟入kafka中,然後再通過流式處理任務(spark或者storm,flink)做爬蟲數據的清洗和處理,處理完的數據,可以入到數據庫中。
下圖就是在平臺設計時,爬蟲處理的一個流程,這個裡面包含了實時爬蟲,異步爬蟲。
我們這裡先介紹異步爬蟲,爬蟲的框架很多,異步爬蟲一般用的比較多就是scrapy。
首先安裝scrapy
pip install scrapy
安裝完成後,就可以通過命令行創建一個基於scrapy的爬蟲項目
scrapy startproject zj_scrapy
然後在命令行中,進入到創建的zj_scrapy目錄下
cd zj_scrapy
執行
scrapy genspider sjqq “sj.qq.com”
創建一個爬蟲
爬蟲創建好了後,可以使用IDE打開創建好的python項目,比如用idea(需要安裝python插件,默認沒有安裝)打開我們創建好的項目
項目創建好了後,會默認生成一些模板代碼文件
1、 items.py
items用於存儲字段的定義。即爬取的內容存與item類中,在這裡我們定義了一個name字段。
2、 spider文件編寫
這個文件一般在spiders 這個package下面,默認會繼承scrapy.Spider
ss
關於這段代碼的解釋如下:
3、 pipeline文件編寫
pipeline文件一般用於對處理好的爬蟲結果數據做處理,可以入到數據庫中,也可以生成到指定的文件中,process_item 方法就是對數據做處理的。
另外pipeline 還包含了__init__和close_spider 兩個方法。__init__ 用於做初始化處理。 close_spider 用於執行結束時的操作處理。比如數據寫入數據庫或者文件後,對數據庫做鏈接關閉或者文件流做關閉操作等。
4、 setting文件修改
setting文件中存放的是爬蟲的配置,常用的配置一般可以包括
1)、ITEM_PIPELINES的配置,比如
ITEM_PIPELINES = {
'zj_scrapy.pipelines.ZjScrapyPipeline': 300,
}
這裡的300代表了一個優先級,數值範圍一般在0-1000,這個數值確定了運行的順序,數字越小,優先級越高。
2)字符集配置,可以通過FEED_EXPORT_ENCODING指定字符集
FEED_EXPORT_ENCODING = 'utf-8'
3)、CONCURRENT_REQUESTS配置Scrapy執行的最大併發請求數
# Configure maximum concurrent requests performed by Scrapy (default: 16)
CONCURRENT_REQUESTS = 32
4)配置請求的header,可以通過DEFAULT_REQUEST_HEADERS來進行配置
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5、 本地執行爬蟲
在上面的都做完後,可以通過執行命令行scrapy crawl sjqq -o items.csv 來在本地運行爬蟲,sjqq 就是前面指定的爬蟲名,-o items.csv 表示生成一個csv文件。
運行完成後,可以看到爬取的內容已經寫到了指定的文件中。
在運行時,可以通過-a 指定自定義的參數,比如scrapy crawl sjqq -o items.csv -a cc=scrapttest
在這條執行命令中,我們指定了一個cc參數等於scrapttest,在Pipeline
中,我們可以通過代碼獲取這個參數
在代碼中,我們通過spider.cc 就可以獲取到這個參數的值,然後在運行日誌可以看到,我們打印出來了這個參數值。
通過這種方式,我們就解決了爬蟲運行時,參數的的動態傳遞問題。
6、 爬蟲部署到服務端
安裝scrapyd
pip install scrapyd
安裝scrapyd-deploy
pip install scrapyd-client
scrapyd 是scrapy的爬蟲服務端,安裝完成後,執行scrapyd可以啟動服務端。
啟動時默認端口為6800
啟動後,通過瀏覽器可以訪問http://localhost:6800/
服務端啟動後,就可以通過scrapyd-deploy 來提交部署開發好的爬蟲了。
scrapyd-deploy <target> -p <project> --version <version>
部署成功後,就可以看到自己的爬蟲項目了
7、 創建服務端的爬蟲任務
如果是在linux命令下,可以通過
curl http://localhost:6800/schedule.json -d project= zj_scrapy -d spider=sjqq
來提交一個爬蟲任務,提交完成後,會返回提交的任務狀態,這個其實就是提交了一個http請求
{
"node_name": "ZJPH-0321",
"status": "ok",
"jobid": "dd7f10aca76e11e99b656c4b90156b7e"
}
提交成功後,可以在瀏覽器的job下面看到任務的執行情況
如果需要攜帶自定義的參數,那麼可以通過-d來指定,比如-d cc=scrapttest,和前面在本地執行時,增加自定義參數是一樣的。
也可以通過http請求工具(比如soapui)提交一個http請求來觸發一個爬蟲任務
schedule.json請求中還可以包含如下參數
setting (string, optional) –自定義爬蟲settings
jobid (string, optional) –jobid,之前啟動過的spider,會有一個id,這個是可選參數
_version (string, optional) –版本號,之前部署的時候的version,只能使用int數據類型,沒指定,默認啟動最新版本
8、 scrapyd 其他的API
1)、curl http://localhost:6800/daemonstatus.json 檢查爬蟲服務的狀態
2)、addversion.json增加項目到服務端 如果項目已經存在,則增加一個新的版本
POST請求:
project (string, required) –項目名
version (string, required) –項目版本,不填寫則是當前時間戳
egg (file, required) –當前項目的egg文件
curl http://localhost:6800/addversion.json -F project=myproject -F version=r23 -F [email protected]
3)、 cancel.json
取消一個 spdier的運行
如果 spider是運行狀態,則停止其運行
如果 spider是掛起狀態,則刪除spider
POST請求:
project (string, required) –項目名
job (string, required) -jobid
curl http://localhost:6800/cancel.json -d project=myproject -d job=6487ec79947edab326d6db28a2d86511e8247444
4)、listprojects.json
獲取當前已上傳的項目的列表
GET請求:
curl http://localhost:6800/listprojects.json
5)、listversions.json
獲取指定項目的可用版本
GET請求:
project (string, required) –項目名
curl http://localhost:6800/listversions.json?project=myproject
6)、listspiders.json
獲取指定版本的項目中的爬蟲列表,如果沒有指定版本,則是最新版本
GET請求:
project (string, required) –項目名
_version (string, optional) –版本號
$ curl http://localhost:6800/listspiders.json?project=myproject
7)、 listjobs.json
獲取指定項目中所有掛起、運行和運行結束的job
GET請求
project (string, option) - restrict results to project name
curl http://localhost:6800/listjobs.json?project=myproject | python -m json.tool
8)、delversion.json
刪除指定項目的指定版本
POST請求
project (string, required) - the project name
version (string, required) - the project version
curl http://localhost:6800/delversion.json -d project=myproject -d version=r99
9)、delproject.json
刪除指定項目,並且包括所有的版本
POST請求
project (string, required) - the project name
curl http://localhost:6800/delproject.json -d project=myproject