Python pyspider 安装与开发

本文主要是介绍Python pyspider 安装与开发，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

PySpider 简介

PySpider是一个国人编写的强大的网络爬虫系统并带有强大的WebUI。采用Python语言编写，分布式架构，支持多种数据库后端，强大的WebUI支持脚本编辑器、任务监视器，项目管理器以及结果查看器。

PySpider 来源于以前做的一个垂直搜索引擎使用的爬虫后端。我们需要从200个站点（由于站点失效，不是都同时啦，同时有100+在跑吧）采集数据，并要求在5分钟内将对方网站的更新更新到库中。所以，灵活的抓取控制是必须的。

同时，由于100个站点，每天都可能会有站点失效或者改版，所以需要能够监控模板失效，以及查看抓取状态。

为了达到5分钟更新，我们使用抓取最近更新页上面的最后更新时间，以此来判断页面是否需要再次抓取。

可见，这个项目对于爬虫的监控和调度要求是非常高的。

PySpider 中文网：http://www.pyspider.cn

PySpider 官网：http://docs.pyspider.org

PySpider 演示：http://demo.pyspider.org

PySpider 源码：https://github.com/binux/pyspider

PySpider 特性

python 脚本控制，可以用任何你喜欢的html解析包（内置 pyquery）
WEB 界面编写调试脚本、起停脚本、监控执行状态，查看活动历史，获取结果产出
数据存储支持MySQL、MongoDB、Redis、SQLite、 ElasticSearch; PostgreSQL 及 SQLAlchemy
队列服务支持RabbitMQ、Beanstalk、Redis、Kombu
支持抓取 JavaScript 的页面
组件可替换，支持单机/分布式部署，支持 Docker 部署
强大的调度控制，支持超时重爬及优先级设置
支持Python 2.{6, 7}, 3.{3, 4, 5, 6}

PySpider 安装

1） pip 安装

pip可以在以下版本的CPython下运行：2.6, 2.7, 3.1, 3.2, 3.3, 3.4 和 pypy.

pip可以在Unix/Linux、Mac OS X、Windows系统中运行.

a）脚本安装

python get-pip.py

如果 setuptools (或 distribute) 未安装， get-pip.py 会自动为你安装 setuptools

如果需要升级 setuptools (或 distribute)，运行 pip install -U setuptools

b）命令安装

sudo apt-get install python-pip // Debian、Ubuntu

sudo yum install python-pip // CentOS、Redhat、Fedora

2）PhantomJS 安装

PhantomJS 是一个基于 WebKit 的服务器端 JavaScript API。它全面支持web而不需浏览器支持，其快速、原生支持各种Web标准：DOM 处理、CSS 选择器、JSON、Canvas 和 SVG。 PhantomJS 可以用于页面自动化、网络监测、网页截屏以及无界面测试等。支持Windows、Linux、Mac OS X等多操作系统。

PhantomJS 下载：http://phantomjs.org/download.html

PhantomJS不需要安装，解压后，配置环境变量后，便可直接使用，详见 PhantomJS 安装与开发

PhantomJS 安装命令：

sudo apt-get install phantomjs // Debian、Ubuntu

sudo pkg install phantomjs // FreeBSD

brew install phantomjs // Mac OS X

3）PySpider 安装

PySpider 安装的依赖包 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 安装命令：

pip install pyspider

Ubuntu 用户，请提前安装好以下支持类库：

sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml

4）验证安装成功

控制台输入命令：

pyspider all

使用浏览器访问 http://localhost:5000

python-pyspider-an-zhuang-yu-kai-fa-01

正常出现 PySpider 的页面，那证明一切 OK

PySpider 示例

1）示例1：爬取米扑科技首页（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(), 
          } 
 

运行结果：

python-pyspider-an-zhuang-yu-kai-fa-02

2）示例2：设置代理爬取网页

PySpider 支持使用代理爬取网页，其使用代理有两种方式：

方式1：

--phantomjs-proxy TEXT phantomjs proxy ip:port

启动命令例如：

pyspider --phantomjs-proxy "188.226.141.217:8080" all

方式2：

设置代理全局变量，如下图：

crawl_config = {
'proxy' : '188.226.141.217:8080'
}

示例代码：

  #!/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(), 
          } 
 