Python pyspider 安装与开发
来源:互联网 发布:windows 安装xcode教程 编辑:程序博客网 时间:2024/05/29 08:17
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>=0.10Jinja2>=2.7chardet>=2.2cssselect>=0.9lxmlpycurlpyqueryrequests>=2.2tornado>=3.2mysql-connector-python>=1.2.2pika>=0.9.14pymongo>=2.7.2unittest2>=0.5.1Flask-Login>=0.2.11u-msgpack-python>=1.6click>=3.3SQLAlchemy>=0.9.7six>=1.5.0amqp>=1.3.0,<2.0redisredis-py-clusterkombupsycopg2elasticsearchtblib
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
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.comfrom 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:
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.comfrom 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(), }
运行结果:
- Python pyspider 安装与开发
- Python pyspider 安装与开发
- Python:安装pyspider
- 【Python】pyspider安装方法
- Windows下Python爬虫框架pyspider的安装与使用
- pyspider安装
- pyspider 安装
- Python计算机视觉编程练习14:pyspider爬虫--安装篇
- PySpider python 爬虫
- python爬虫框架-PySpider
- anaconda 安装pyspider出错
- Pyspider的安装使用
- python2.7安装pyspider
- CentOS7.2安装pyspider
- ubuntu下安装pyspider
- redhat下pyspider安装
- ubuntu 安装 pyspider
- PySpider框架安装配置
- Removing Columns
- 利用jQuery提取和修改文本内容进而对文本内容进行对调
- 2017.8.16File和IO流的小案列
- Windows上安装多个MySQL实例
- Ceph (分布式文件系统)
- Python pyspider 安装与开发
- JQuery效果
- 知识储备:02数组与字符串:利用哈希表实现动态规划
- 浅析Android恶意应用
- 通过RMAN备份恢复数据库到其他服务器
- highcharts 动态页面显示!
- I
- 多线程
- 前端算法之快速排序(JS版)