spiderman
基于scrapy-redis的通用分布式爬虫框架
目录
demo采集效果
爬虫元数据
cluster模式
standalone模式
kafka实时采集监控
功能
-
自动建表
-
自动生成爬虫代码，只需编写少量代码即可完成分布式爬虫
-
自动存储元数据，分析统计和补爬都很方便
-
适合多站点开发，每个爬虫独立定制，互不影响
-
调用方便，可以根据传参自定义采集的页数以及启用的爬虫数量
-
扩展简易，可以根据需要选择采集模式，单机 standalone (默认) 或者 分布式cluster
-
采集数据落地方便，支持多种数据库，只需在 spider 中启用相关的管道
关系型
- mysql
- sqlserver
- oracle
- postgresql
- sqlite3
非关系型
- hbase
- mongodb
- elasticsearch
- hdfs
- hive
- datafile, 比如 csv
-
反爬处理简易，已封装各种反爬中间件
- 随机 UserAgent
- 定制请求头 Headers
- 定制 Cookies
- 定制代理 ip
- 在 scrapy 中使用 requests
- Payload 请求
- 使用 Splash 渲染 js
原理说明
- 消息队列使用 redis，采集策略使用先进先出
- 每个爬虫都有一个 job 文件，使用 job 来生成初始请求类 ScheduledRequest，并将其推送到 redis； 初始请求全部推到 redis 后，运行 spider 解析生成数据 并迭代新的请求到redis, 直到 redis 中的全部请求被消耗完
# scrapy_redis请求类
class ScheduledRequest:
def __init__(self, **kwargs):
self.url = kwargs.get('url') # 请求url
self.method = kwargs.get('method', 'GET') # 请求方式 默认get
self.callback = kwargs.get('callback') # 回调函数，指定spider的解析函数
self.body = kwargs.get('body') # body, method为post时, 作为 post表单
self.meta = kwargs.get('meta') # meta, 携带反爬信息比如cookies，headers; 以及一些元数据，比如 pagenum- item 类定义表名、字段名、排序号(自定义字段顺序)、注释说明(便于管理元数据)、字段类型(仅关系型数据库管道有效)
class zhifang_list_Item(scrapy.Item):
# define table
tablename = 'zhifang_list'
tabledesc = '列表'
# define the fields for your item here like:
# 关系型数据库，可以自定义字段的类型、长度，默认 VARCHAR(length=255)
# colname = scrapy.Field({'idx': 1, 'comment': '名称', 'type': VARCHAR(255)})
tit = scrapy.Field({'idx': 1, 'comment': '房屋标题'})
txt = scrapy.Field({'idx': 2, 'comment': '房屋描述'})
tit2 = scrapy.Field({'idx': 3, 'comment': '房屋楼层'})
price = scrapy.Field({'idx': 4, 'comment': '房屋价格'})
agent = scrapy.Field({'idx': 5, 'comment': '房屋中介'})
# default column
detail_full_url = scrapy.Field({'idx': 100, 'comment': '详情链接'}) # 通用字段
pkey = scrapy.Field({'idx': 101, 'comment': 'md5(detail_full_url)'}) # 通用字段
pagenum = scrapy.Field({'idx': 102, 'comment': '页码'}) # 通用字段下载安装
- git clone https://github.com/TurboWay/spiderman.git; cd spiderman;
- 【不使用虚拟环境的话，可以跳过步骤23】virtualenv -p /usr/bin/python3 venv
- 【不使用虚拟环境的话，可以跳过步骤23】source venv/bin/activate
- pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
- 修改配置 vi SP/settings.py
- 运行demo示例 python SP_JOBS/zhifang_job.py
如何开发一个新爬虫
运行 easy_scrapy.py 会根据模板自动生成以下代码文件，并自动在 pycharm 打开 spidername_job.py 文件；
| 类别 | 路径 | 说明 |
|---|---|---|
| job | SP_JOBS/spidername_job.py | 编写初始请求 |
| spider | SP/spiders/spidername.py | 编写解析规则，产生新的请求 |
| items | SP/items/spidername_items.py | 定义表名字段 |
以上代码文件编写完成后，直接执行 python SP_JOBS/spidername_job.py
或者动态传参（参数说明 -p 采集页数， -n 启用爬虫数量） python SP_JOBS/spidername_job.py -p 10 -n 1
如何进行补爬
运行 easy_scrapy.py 会根据模板自动生成以下代码文件，并自动在 pycharm 打开 spidername_job_patch.py 文件；
| 类别 | 路径 | 说明 |
|---|---|---|
| job | SP_JOBS/spidername_job_patch.py | 编写补爬请求 |
以上代码文件编写完成后，直接执行 python SP_JOBS/spidername_job_patch.py
如何扩展分布式爬虫
采集模式有两种(在 settings 控制)： 单机 standalone(默认) 和 分布式 cluster
如果想切换成分布式爬虫，需要在 spiderman/SP/settings.py 中启用以下配置
注意：前提是 所有SLAVE机器的爬虫代码一致、python环境一致，都可以运行爬虫demo
# 采集模式 standalone 单机 (默认); cluster 分布式 需要配置下方的 slaves
CRAWL_MODEL = 'cluster'| 配置名称 | 意义 | 示例 |
|---|---|---|
| SLAVES | 【二选一】爬虫机器配置列表 | [{'host': '172.16.122.12', 'port': 22, 'user': 'spider', 'pwd': 'spider'}， {'host': '172.16.122.13', 'port': 22, 'user': 'spider', 'pwd': 'spider'} ] |
| SLAVES_BALANCE | 【二选一】爬虫机器配置(ssh负载均衡) | {'host': '172.16.122.11', 'port': 2202, 'user': 'spider', 'pwd': 'spider'} |
| SLAVES_ENV | 【可选】爬虫机器虚拟环境路径 | /home/spider/workspace/spiderman/venv |
| SLAVES_WORKSPACE | 【必填】爬虫机器代码工程路径 | /home/spider/workspace/spiderman |
如何管理爬虫元数据
运行 easy_meta.py 自动生成当前项目所有爬虫的元数据, 默认记录到sqlite meta.db, 可以在 setting 中自行配置;
# 爬虫 meta
META_ENGINE = 'sqlite:///meta.db'元数据表meta字典如下：
| 字段名 | 类型 | 注释 |
|---|---|---|
| spider | varchar(50) | 爬虫名 |
| spider_comment | varchar(100) | 爬虫描述 |
| tb | varchar(50) | 表名 |
| tb_comment | varchar(100) | 表描述 |
| col_px | int | 字段序号 |
| col | varchar(50) | 字段名 |
| col_comment | varchar(100) | 字段描述 |
| author | varchar(20) | 开发人员 |
| addtime | varchar(20) | 开发时间 |
| insertime | varchar(20) | 元数据更新时间 |
如何配合kafka做实时采集监控
- 配置 kafka（修改 setting 的 KAFKA_SERVERS）
- 自定义监控规则（修改编写 kafka_mon.py , 并运行该脚本程序, 开始监控）
- 在 spider 中启用 kafka 管道（运行爬虫 job , 开始采集）
注意事项
- 字段名称不能使用 tablename、isload、ctime、bizdate、spider 等字段，因为这些字段被作为通用字段，避免冲突
- items 文件每个字段建议添加注释，生成元数据时，会将注释导入到元数据表，便于管理爬虫
hive环境问题
在 windows 环境下，使用 python3 连接 hive 会有很多坑，所以使用 hdfs 管道时，hive 自动建表功能默认关闭，便于部署。 假如需要启用 hive 自动建表功能，请进行如下操作：
- pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
- pip install --no-deps thrift-sasl==0.2.1
- 验证环境，执行 SP.utils.ctrl_hive
如果执行成功，说明 hive 环境准备完毕，可以直接启用 hive 自动建表功能；如果遇到问题，可以参考 【大数据】windows 下python3连接hive
更新日志
| 日期 | 更新内容 |
|---|---|
| 20200803 | 1.使用更优雅的方式来生成元数据; 2.管道函数传参的写法调整; 3.附件表通用字段更名：下载状态 (isload => status) |
| 20200831 | 1.解决数据入库失败时，一直重试入库的问题; 2.所有管道优化，入库失败时，自动切换成逐行入库，只丢弃异常记录 |
| 20201104 | 1.requests 中间件支持 DOWNLOAD_TIMEOUT、DOWNLOAD_DELAY |
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent