Python pyspider怎么使用

這篇文章主要介紹了Python pyspider怎么使用的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇Python pyspider怎么使用文章都會有所收獲，下面我們一起來看看吧。

1 簡介

pyspider 是一個支持任務監(jiān)控、項目管理、多種數據庫，具有 WebUI 的爬蟲框架，它采用 Python 語言編寫，分布式架構。詳細特性如下：

• 擁有 Web 腳本編輯界面，任務監(jiān)控器，項目管理器和結構查看器；

• 數據庫支持 MySQL、MongoDB、Redis、SQLite、Elasticsearch、PostgreSQL、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、分布式部署，支持 Docker 部署；

• 強大的調度控制，支持超時重爬及優(yōu)先級設置；

• 支持 Python2&3。

pyspider 主要分為 Scheduler（調度器）、 Fetcher（抓取器）、 Processer（處理器）三個部分，整個爬取過程受到 Monitor（監(jiān)控器）的監(jiān)控，抓取的結果被 Result Worker（結果處理器）處理。基本流程為：Scheduler 發(fā)起任務調度，Fetcher 抓取網頁內容，Processer 解析網頁內容，再將新生成的 Request 發(fā)給 Scheduler 進行調度，將生成的提取結果輸出保存。

2 pyspider vs scrapy

• pyspider 擁有 WebUI，爬蟲的編寫、調試可在 WebUI 中進行；Scrapy 采用采用代碼、命令行操作，實現可視化需對接 Portia。

• pyspider 支持使用 PhantomJS 對 JavaScript 渲染頁面的采集 ；Scrapy 需對接 Scrapy-Splash 組件。

• pyspider 內置了 PyQuery（Python 爬蟲（五）：PyQuery 框架） 作為選擇器；Scrapy 對接了 XPath、CSS 選擇器、正則匹配。

• pyspider 擴展性弱；Scrapy 模塊之間耦合度低，擴展性強，如：對接 Middleware、 Pipeline 等組件實現更強功能。

總的來說，pyspider 更加便捷，Scrapy 擴展性更強，如果要快速實現爬取優(yōu)選 pyspider，如果爬取規(guī)模較大、反爬機制較強，優(yōu)選 scrapy。

3 安裝

方式一

pip install pyspider

這種方式比較簡單，不過在 Windows 系統(tǒng)上可能會出現錯誤：Command "python setup.py egg_info" failed with error ...，我在自己的 Windows 系統(tǒng)上安裝時就遇到了該問題，因此，選擇了下面第二種方式進行了安裝。

方式二

使用 wheel 方式安裝。步驟如下：

• pip install wheel 安裝 wheel；

• 打開網址 https://www.lfd.uci.edu/~gohlke/pythonlibs/，使用 Ctrl + F 搜索 pycurl，根據自己安裝的 Python 版本，選擇合適的版本下載，比如：我用的 Python3.6，就選擇帶有 cp36 標識的版本。如下圖紅框所示：

• 使用 pip 安裝下載文件，如：pip install E:\pycurl-7.43.0.3-cp36-cp36m-win_amd64.whl；

• 最后還是使用 pip install pyspider 安裝。

執(zhí)行以上安裝步驟后，我們在控制臺輸入 pyspider，如圖所示：

出現上述結果說明啟動成功，如果啟動時一直卡在 result_worker starting...，我們可以再打開一個控制臺窗口，同樣輸入 pyspider 進行啟動，啟動成功后關掉之前的窗口即可。

啟動成功后，我們再驗證一下，打開瀏覽器，輸入 http://localhost:5000 訪問，如圖所示：

我們發(fā)現確實啟動成功了。

4 快速上手

4.1 創(chuàng)建項目

首先，我們點擊圖形界面中的 Create 按鈕開始創(chuàng)建項目，如圖中紅框所示：

然后會跳出信息填寫窗口，如圖所示：

• Project Name：項目名

• Start URL(s)：爬取鏈接地址

我們需要填寫 Project Name 和 Start URL(s)，這里以鏈家網二手房信息為例：https://hz.lianjia.com/ershoufang，填寫完成后點擊 Create 按鈕。結果如圖所示：

4.2 爬蟲實現

pyspider 訪問 https 協(xié)議的網站時會提示證書問題（通常為 HTTP 599），因此我們需要在 crawl 方法中添加參數 validate_cert=False 來屏蔽證書驗證。如圖所示：

我們計劃獲取房子的單價（unit_price）、描述標題（title）、賣點信息（sell_point），編寫具體實現如下所示：

from pyspider.libs.base_handler import *

class Handler(BaseHandler):    crawl_config = {    }
    @every(minutes=24 * 60)    def on_start(self):        self.crawl('https://hz.lianjia.com/ershoufang/', callback=self.index_page,validate_cert=False)
    @config(age=10 * 24 * 60 * 60)    def index_page(self, response):        for each in response.doc('.title').items():            self.crawl(each.attr.href, callback=self.detail_page,validate_cert=False)                @config(priority=2)    def detail_page(self, response):        yield {            'unit_price':response.doc('.unitPrice').text(),            'title': response.doc('.main').text(),            'sell_point': response.doc('.baseattribute > .content').text()        }

• @every(minutes=24 * 60)：通知 Scheduler 每天運行一次。

• @config(age=10 * 24 * 60 * 60)：設置任務的有效期限。

• @config(priority=2)：設定任務優(yōu)先級

• on_start(self)：程序的入口。

• self.crawl(url, callback)：主方法，用于創(chuàng)建一個爬取任務。

• index_page(self, response)：用來抓取返回的 html 文檔中對應標簽的數據。

• detail_page(self, response)：返回一個 dict 對象作為結果。

我們點擊運行按鈕，如圖所示：

點擊之后，我們發(fā)現 follows 按鈕處出現了提示信息，如圖所示：

點擊 follows 按鈕，結果如圖所示：

點擊上圖中紅框圈起來的三角號按鈕，結果如圖所示：

我們隨意選一條 detail_page，點擊其右側三角號按鈕，結果如圖所示：

從結果來看，已經可以爬取到我們需要的信息了。

4.3 數據存儲

獲取到信息之后，需要將信息存儲起來，我們計劃將數據存儲到 MySQL 數據庫。

首先，安裝 pymysql，命令如下：

pip install pymysql

接著添加保存代碼，完整代碼如下：

from pyspider.libs.base_handler import *import pymysql
class Handler(BaseHandler):    crawl_config = {    }
    def __init__(self):        # 下面參數修改成自己對應的 MySQL 信息         self.db = MySQLdb.connect(ip, username, password, db, charset='utf8')                 def add_Mysql(self, title, unit_price, sell_point):        try:            cursor = self.db.cursor()            sql = 'insert into house(title, unit_price, sell_point) values ("%s","%s","%s")' % (title[0],unit_price[0],sell_point);              print(sql)            cursor.execute(sql)            self.db.commit()        except Exception as e:            print(e)            self.db.rollback()        @every(minutes=24 * 60)    def on_start(self):        self.crawl('https://hz.lianjia.com/ershoufang/', callback=self.index_page,validate_cert=False)
    @config(age=10 * 24 * 60 * 60)    def index_page(self, response):        for each in response.doc('.title').items():            self.crawl(each.attr.href, callback=self.detail_page,validate_cert=False)
    @config(priority=2)    def detail_page(self, response):        title = response.doc('.main').text(),        unit_price = response.doc('.unitPrice').text(),        sell_point = response.doc('.baseattribute > .content').text()        self.add_Mysql(title, unit_price, sell_point)        yield {            'title': response.doc('.main').text(),            'unit_price':response.doc('.unitPrice').text(),            'sell_point': response.doc('.baseattribute > .content').text()        }

先測試一下是否能將數據保存到 MySQL 中，還是選一條 detail_page，如圖所示：

點擊其右側三角號按鈕，結果如圖所示：

從輸出結果來看是執(zhí)行了保存操作，我們再到 MySQL 中看一下，如圖所示：

數據已經存到了 MySQL 中了。

上面我們是手動操作保存的數據，接下來看一下如何通過設置任務保存。

點擊當前頁左上角的 pyspider 按鈕，如圖所示：

返回 dashboard 界面，如圖所示：

我們點擊 status 下方紅框圈住的位置，將狀態(tài)修改為 RUNNING 或 DEBUG，然后點擊 actions 下方的 run 按鈕即可。

關于“Python pyspider怎么使用”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“Python pyspider怎么使用”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業(yè)資訊頻道。