神器 Spider!几分钟入门分布式爬虫!

封面

在上一篇文章《神器!五分钟完成大型爬虫项目!》,我们介绍了一个类似于 Scrapy 的开源爬虫框架——feapder,并着重介绍了该框架的一种应用——AirSpider,它是一个轻量级的爬虫。

接下来我们再来介绍另一种爬虫应用——Spider,它是是一款基于 redis 的分布式爬虫,适用于海量数据采集,支持断点续爬、爬虫报警、数据自动入库等功能。

安装

和 AirSpider 一样,我们也是通过命令行安装。

由于 Spider 是分布式爬虫,可能涉及到多个爬虫,所以最好以项目的方式来创建。

创建项目

我们首先来创建项目:

feapder create -p spider-project

创建的项目目录是这样的:

创建好项目后,开发时我们需要将项目设置为工作区间,否则引入非同级目录下的文件时,编译器会报错。

设置工作区间方式(以pycharm为例):项目->右键->Mark Directory as -> Sources Root。

创建爬虫

创建爬虫的命令行语句为:

feapder create -s

  • AirSpider 对应的 spider_type 值为 1
  • Spider 对应的 spider_type 值为 2
  • BatchSpider 对应的 spider_type 值为 3

默认 spider_type 值为 1。

所以创建 Spider 的语句为:

feapder create -s spider_test 2

运行语句后,我们可以看到在 spiders 目录下生成了 spider_test.py 文件。

对应的文件内容为:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

import feapder


class SpiderTest(feapder.Spider):
    # 自定义数据库,若项目中有setting.py文件,此自定义可删除
    __custom_setting__ = dict(
        REDISDB_IP_PORTS="localhost:6379", REDISDB_USER_PASS="", REDISDB_DB=0
    )

    def start_requests(self):
        yield feapder.Request("https://www.baidu.com")

    def parse(self, request, response):
        print(response)


if __name__ == "__main__":
    SpiderTest(redis_key="xxx:xxx").start()

因Spider是基于redis做的分布式,因此模板代码默认给了redis的配置方式。关于 Redis 的配置信息:

  • REDISDB_IP_PORTS:连接地址,若为集群或哨兵模式,多个连接地址用逗号分开,若为哨兵模式,需要加个REDISDB_SERVICE_NAME参数。
  • REDISDB_USER_PASS: 连接密码。
  • REDISDB_DB:数据库。

在 main 函数中,我们可以看到有个 redis_key 的参数,这个参数是redis中存储任务等信息的 key 前缀,如 redis_key=”feapder:spider_test”, 则redis中会生成如下:

特性

我们在 AirSpider 里面讲的方法,在 Spider 这里都支持,下面我们来看看 Spider 相对于 AirSpider 的不同之处。

数据自动入库

写过爬虫的人都知道,如果要将数据持久化到 MySQL 数据库,如果碰到字段特别多的情况,就会很烦人,需要解析之后手写好多字段,拼凑 SQL 语句。

这个问题,Spider 帮我们想到了,我们可以利用框架帮我们自动入库。

建表

第一步,我们需要在数据库中创建一张数据表,这个大家都会,这里就不说了。

配置 setting

将 setting.py 里面的数据库配置改为自己的配置:

1
2
3
4
5
6
7
# # MYSQL
MYSQL_IP = ""
MYSQL_PORT = 
MYSQL_DB = ""
MYSQL_USER_NAME = ""
MYSQL_USER_PASS = ""

也就是这几个配置。

生成实体类 Item

接着,我们将命令行切换到我们项目的 items 目录,运行命令:

feapder create -i

我这里数据库里使用的是 report 表,所以命令为:

feapder create -i report

然后,我们就可以在 items 目录下看到生成的 report_item.py 实体类了。我这里生成的实体类内容是:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
from feapder import Item


class ReportItem(Item):
    """
    This class was generated by feapder.
    command: feapder create -i report.
    """

    __table_name__ = "report"

    def __init__(self, *args, **kwargs):
        self.count = None
        self.emRatingName = None  # 评级名称
        self.emRatingValue = None  # 评级代码
        self.encodeUrl = None  # 链接
        # self.id = None
        self.indvInduCode = None  # 行业代码
        self.indvInduName = None  # 行业名称
        self.lastEmRatingName = None  # 上次评级名称
        self.lastEmRatingValue = None  # 上次评级代码
        self.orgCode = None  # 机构代码
        self.orgName = None  # 机构名称
        self.orgSName = None  # 机构简称
        self.predictNextTwoYearEps = None
        self.predictNextTwoYearPe = None
        self.predictNextYearEps = None
        self.predictNextYearPe = None
        self.predictThisYearEps = None
        self.predictThisYearPe = None
        self.publishDate = None  # 发表时间
        self.ratingChange = None  # 评级变动
        self.researcher = None  # 研究员
        self.stockCode = None  # 股票代码
        self.stockName = None  # 股票简称
        self.title = None  # 报告名称

若字段有默认值或者自增,则默认注释掉,可按需打开。大家可以看到我这张表的 id 字段在这里被注释了。

若item字段过多,不想逐一赋值,可通过如下方式创建:

feapder create -i report 1

这时候生成的实体类是这样的:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
class ReportItem(Item):
    """
    This class was generated by feapder.
    command: feapder create -i report 1.
    """

    __table_name__ = "report 1"

    def __init__(self, *args, **kwargs):
        self.count = kwargs.get('count')
        self.emRatingName = kwargs.get('emRatingName')  # 评级名称
        self.emRatingValue = kwargs.get('emRatingValue')  # 评级代码
        self.encodeUrl = kwargs.get('encodeUrl')  # 链接
        # self.id = kwargs.get('id')
        self.indvInduCode = kwargs.get('indvInduCode')  # 行业代码
        self.indvInduName = kwargs.get('indvInduName')  # 行业名称
        self.lastEmRatingName = kwargs.get('lastEmRatingName')  # 上次评级名称
        self.lastEmRatingValue = kwargs.get('lastEmRatingValue')  # 上次评级代码
        self.orgCode = kwargs.get('orgCode')  # 机构代码
        self.orgName = kwargs.get('orgName')  # 机构名称
        self.orgSName = kwargs.get('orgSName')  # 机构简称
        self.predictNextTwoYearEps = kwargs.get('predictNextTwoYearEps')
        self.predictNextTwoYearPe = kwargs.get('predictNextTwoYearPe')
        self.predictNextYearEps = kwargs.get('predictNextYearEps')
        self.predictNextYearPe = kwargs.get('predictNextYearPe')
        self.predictThisYearEps = kwargs.get('predictThisYearEps')
        self.predictThisYearPe = kwargs.get('predictThisYearPe')
        self.publishDate = kwargs.get('publishDate')  # 发表时间
        self.ratingChange = kwargs.get('ratingChange')  # 评级变动
        self.researcher = kwargs.get('researcher')  # 研究员
        self.stockCode = kwargs.get('stockCode')  # 股票代码
        self.stockName = kwargs.get('stockName')  # 股票简称
        self.title = kwargs.get('title')  # 报告名称

这样当我们请求回来的json数据时,可直接赋值,如:

1
2
response_data = {"title":" 测试"} # 模拟请求回来的数据
item = SpiderDataItem(**response_data)

想要数据自动入库也比较简单,在解析完数据之后,将数据赋值给 Item,然后 yield 就行了:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
def parse(self, request, response):
        html = response.content.decode("utf-8")
        if len(html):
            content = html.replace('datatable1351846(', '')[:-1]
            content_json = json.loads(content)
            print(content_json)

            for obj in content_json['data']:
                result = ReportItem()
                result['orgName'] = obj['orgName'] #机构名称
                result['orgSName'] = obj['orgSName'] #机构简称
                result['publishDate'] = obj['publishDate'] #发布日期
                result['predictNextTwoYearEps'] = obj['predictNextTwoYearEps'] #后年每股盈利
                result['title'] = obj['title'] #报告名称
                result['stockName'] = obj['stockName'] #股票名称
                result['stockCode'] = obj['stockCode'] #股票code
                result['orgCode'] = obj['stockCode'] #机构code
                result['predictNextTwoYearPe'] = obj['predictNextTwoYearPe'] #后年市盈率
                result['predictNextYearEps'] = obj['predictNextYearEps'] # 明年每股盈利
                result['predictNextYearPe'] = obj['predictNextYearPe'] # 明年市盈率
                result['predictThisYearEps'] = obj['predictThisYearEps'] #今年每股盈利
                result['predictThisYearPe'] = obj['predictThisYearPe'] #今年市盈率
                result['indvInduCode'] = obj['indvInduCode'] # 行业代码
                result['indvInduName'] = obj['indvInduName'] # 行业名称
                result['lastEmRatingName'] = obj['lastEmRatingName'] # 上次评级名称
                result['lastEmRatingValue'] = obj['lastEmRatingValue'] # 上次评级代码
                result['emRatingValue'] = obj['emRatingValue'] # 评级代码
                result['emRatingName'] = obj['emRatingName'] # 评级名称
                result['ratingChange'] = obj['ratingChange'] # 评级变动
                result['researcher'] = obj['researcher'] # 研究员
                result['encodeUrl'] = obj['encodeUrl'] # 链接
                result['count'] = int(obj['count']) # 近一月个股研报数
                yield result

返回item后,item 会流经到框架的 ItemBuffer, ItemBuffer 每.05秒或当item数量积攒到5000个,便会批量将这些 item 批量入库。表名为类名去掉 Item 的小写,如 ReportItem 数据会落入到 report 表。

调试

开发过程中,我们可能需要针对某个请求进行调试,常规的做法是修改下发任务的代码。但这样并不好,改来改去可能把之前写好的逻辑搞乱了,或者忘记改回来直接发布了,又或者调试的数据入库了,污染了库里已有的数据,造成了很多本来不应该发生的问题。

本框架支持Debug爬虫,可针对某条任务进行调试,写法如下:

1
2
3
4
5
6
if __name__ == "__main__":
    spider = SpiderTest.to_DebugSpider(
        redis_key="feapder:spider_test", request=feapder.Request("http://www.baidu.com")
    )
    spider.start()

对比之前的启动方式:

1
2
spider = SpiderTest(redis_key="feapder:spider_test")
spider.start()

可以看到,代码中 to_DebugSpider 方法可以将原爬虫直接转为 debug 爬虫,然后通过传递 request 参数抓取指定的任务。

通常结合断点来进行调试,debug 模式下,运行产生的数据默认不入库。

除了指定 request 参数外,还可以指定 request_dict 参数,request_dict 接收字典类型,如 request_dict={“url”:”http://www.baidu.com”}, 其作用于传递 request 一致。request 与 request_dict 二者选一传递即可。

运行多个爬虫

通常,一个项目下可能存在多个爬虫,为了规范,建议启动入口统一放到项目下的 main.py 中,然后以命令行的方式运行指定的文件。

例如如下项目:

项目中包含了两个spider,main.py写法如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
from spiders import *
from feapder import Request
from feapder import ArgumentParser


def test_spider():
    spider = test_spider.TestSpider(redis_key="spider:report")
    spider.start()


def test_spider2():
    spider = test_spider.TestSpider2(redis_key="spider:report")
    spider.start()


if __name__ == "__main__":
    parser = ArgumentParser(description="Spider测试")

    parser.add_argument(
        "--test_spider", action="store_true", help="测试Spider", function=test_spider
    )
    parser.add_argument(
        "--test_spider2", action="store_true", help="测试Spider2", function=test_spider2
    )
   
    parser.start()

这里使用了 ArgumentParser 模块,使其支持命令行参数,如运行 test_spider:

python3 main.py –test_spider

分布式

分布式说白了就是启动多个进程,处理同一批任务。Spider 支持启动多份,且不会重复发下任务,我们可以在多个服务器上部署启动,也可以在同一个机器上启动多次。

总结

到这里, Spider 分布式爬虫咱就讲完了,还有一些细节的东西,大家在用的时候还需要琢磨一下。总体来说,这个框架还是比较好用的,上手简单,应对一些不是很复杂的场景绰绰有余,大家可以尝试着将自己的爬虫重构一下,试试这款框架。码文不易,点个在看送鼓励~

Python Geek Tech wechat
欢迎订阅 Python 技术,这里分享关于 Python 的一切。