Python3爬虫（十六） pyspider框架

Infi-chu:

http://www.cnblogs.com/Infi-chu/

一、pyspider介绍
1.基本功能
提供WebUI可视化功能，方便编写和调试爬虫
提供爬取进度监控、爬取结果查看、爬虫项目管理
支持多种数据库，MySQL、MongoDB、Redis、SQLite、PostgreSQL等
支持多种消息队列，RabbitMQ、Beanstalk、Redis等
提供优先级控制、失败重试、定时抓取等
对接了PhantomJS，可实现对JavaScript页面的抓取
支持单机、分布式、Docker部署

2.pyspider 与 scrapy 对比
pyspider提供WebUI，scrapy原生不具备此功能
pyspider调试方便
pyspider支持PhantomJS、scrapy支持scrapy-Splash组件
pyspider内置pyquery作为选择器，scrapy对接了XPath、CSS选择器和正则表达式
pyspider扩展程度低

3.框架设计
三大模块：调度器（Scheduler）、抓取器（Fetcher）、处理器（Processer）

4.具体流程
1.每个pyspider项目都对用一个Python脚本，该脚本定义了一个Handler类，使用on_start()方法，开始项目，然后交由scheduler进行调度处理
2.Scheduler将抓取任务传给Fetcher，Fetcher响应完成后，将响应传给Processer
3.Processer处理并提取新的URL再通过消息队列的方式传给Scheduler，如果生成了新的提取结果，则发往结果队列等待Result Worker处理
4.循环上述过程，直到抓取结束，结束时会调用on_finished()

5.例子
https://github.com/Infi-chu/quna

二、pyspider详解
1.启动：
pyspider all
2.crawl()方法
url：爬取的URL，可以定义为单个URL字符串或URL列表
callback：回调函数，指定了该URL对应的响应内容应该由哪个方法来解析
age：任务的有效时间
priority：优先级，默认为0，越大越优先
exetime：可以设置定时任务，其值是时间戳，默认是0，代表立即执行
retries：重试次数，默认是3
itag：设置判定网页是否发生变化的节点值
auto_recrawl：开启后，爬取任务在过期后重新执行
method：HTTP请求方式
params：定义GET请求参数
data：定义POST请求参数
files：上传的文件，需指定文件名
user_agent：User-Agent
headers：Request Headers
cookies:Cookies，字典格式
connect_timeout:初始化连接时最长的等待时间，默认是20秒
timeout：抓取网页的最长等待时间，默认是120秒
allow_redirects：确定是否自动处理重定向，默认是True
validate_cert：是否验证证书，默认是True
proxy：代理
fetch_type：开启PhantomJS渲染
js_script：页面加载完毕后执行的JavaScript脚本
js_run_at：脚本运行位置，默认在节点结尾
js_viewport_width/js_viewport_height：JavaScript渲染页面的窗口大小
load_images：确定是否加载图片，默认是False
save：在不同的方法之间传递参数
cancel：取消任务
force_update：强制更新状态
3.任务区分：
判断是否为同一任务，将比较URL的MD5值是否一样
4.全局配置：
在crawl_config中指定全局配置
5.定时爬取
通过every属性来设置时间间隔
6.项目状态：
TODO 刚创建还未执行
STOP 停止
CHECKING 运行的项目被修改后
DEBUG/RUNNNING 运行
PAUSE 多次出错，挂起或暂停
7.删除项目
将状态设置为STOP，分组名称修改为delete，24小时后自动删除