Python3 PySpider爬虫框架-使用

• pyspider的架构主要分为Scheduler调度器、Fetcher抓取器、Processer处理器三部分，整个抓取过程都会受到Monitor监控器的监控，抓取的结果被Result Worker结果处理器处理
• 点击Create按钮创建新项目

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2019-07-10 15:17:59
# Project: baidu_spider
from pyspider.libs.base_handler import *
# BaseHandler是PySpider爬虫的基类
class Handler(BaseHandler):
    """Handler是PySpider爬虫的主类"""
    crawl_config = {
        # 定义爬取配置，比如Headers、设置代理，配置之后全局有效
    }
    @every(minutes=24 * 60) # every属性设置爬取的时间间隔
    def on_start(self):
        """爬取入口，调用crawl方法新建一个爬取请求，第一个参数是爬取的URL，callback参数是指定这个页面爬取成功之后使用哪个方法解析"""
        self.crawl('https://www.liaoxuefeng.com/', callback=self.index_page)
        """http://travel.qunar.com/travelbook/list.htm"""
    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        """接收response参数，该参数对接pyquery，可以直接使用doc进行解析"""
        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):
        """接收response参数，进行详情页的抓取"""
        return {
            "url": response.url,
            "title": response.doc('title').text(),
        }

• 点击run按钮，即可看见页面下方follow出现一个标注，其中包含数字1，代码有新的爬取请求产生

• 点击蓝色框围起来的箭头，在follows上会出现更多的爬取请求（爬取链接）；其中web按钮可以查看页面，html按钮可以查看源代码

• 切换到Web页面，点击下方的enable css selector helper按钮，点击页面中的菜单，这时菜单外会多一个红框，上分出现CSS选择器，这就是当前菜单对应的CSS选择器，可以替换右侧代码中的CSS选择器(选择需要替换的CSS选择器)，点击右上方的箭头实现替换
• 在源代码中没有img节点：这是因为pyspider是默认发生HTTP请求，请求的HTML文档本身就不包含img节点，所以必须修改fetch_type参数

self.crawl(url, callback=self.index_page, validate_cert=False, fetch_type='js')

• 在index_page方法选取爬取的详情页链接，通过编写detail_page需要爬取的信息

• 将爬虫的status设置为DEBUG或者RUNNING，点击Run按钮开始爬取
• 点击Active Tasks，即可查看最近请求的详细状况
• 点击Result，即可查看所有的爬取结果
• 项目状态
• TODO：他是项目刚刚被创建还未实现时的状态
• STOP：如果想停止某项目的爬取，可以将项目的状态设置为STOP
• CHECKING：正在运行的项目被修改之后会变成该状态，项目在中途出错需要调整的时候回遇见这种情况
• DEBUG/RUNNING：这两个状态对项目运行没有影响，设置为其中一个，项目都可以运行，但是可以用二者来区分项目是否已经通过测试
• PAUSE：在爬取过程中会出现连续多次错误，项目会自动设置为PAUSE状态，并等待一段时间继续爬取
• rate/burst：代表当前爬取的速率，rate代码1秒发出多少请求，burst相当于流量控制中的令牌桶算法的令牌数，rate和burst设置越大，爬取速率越快，需要考虑本机性能和爬取过快被封的问题
• progress：中的5m、1h、1d指定是最近5分钟、1小时、1天内的请求情况，all代表全部请求情况，其中蓝色代表等待被执行的请求，绿色代表成功的请求，黄色代表请求识别后等待重试的请求，红色代表失败次数过多而被忽略的请求
• 删除项目：pyspider没有直接删除项目的选项，如果需要删除项目，只能将项目的状态设置为STOP，将分组的名称设置为delete，等待24小时，则项目会自动删除
• 报错Exception: HTTP 599: SSL certificate problem: unable to get local issuer certificate
• 解决方法：这个错误会发生在请求 https 开头的网址，SSL 验证错误，证书有误，需要在crawl方法中使用validate_cert参数，基本可以解决

self.crawl(url, callback=self.index_page, validate_cert=False)

• 上述方法解决不了的情况下：第一步在Github上下载Pyspider源码，源码地址https://github.com/binux/pyspider；第二步下载之后的源码，找到其中的pyspider文件夹，替换本地的pyspider库安装文件夹，pip安装一般存放在" ..Lib\site-packages"路径下；第三步重启Pyspider，添加validate_cert=False参数
• self.crawl函数分析

self.crawl(url, callback=self.index_page, age=10*24*60*60, priority=1, exectime=time.time()+30*60, itag=item.find('.time').text(), auto_recrawl=True)
# url：要爬取的URL
# callback：回调函数，指定该url对应的响应内容用哪个方法解析
# age：是任务的有效时间，如果某个任务在有效时间内已经被执行，则它不会重复执行，单位秒，或者直接在回调函数上设置修饰器@config(age=10*24*60*60)
# priority：爬取任务优先级，默认为0，该参数值越大，对应的请求会越优先被调用
# exectime：可以设置定时任务，其值是时间戳，默认为0，即代表立即执行
# retries：定义重试次数，默认为3
# itag：设置判断页面是否发生变化的节点值，在爬取的时候回判定次当前节点是否和上次爬取的节点相同，如果节点相同，则证明页面没有更新
# auto_recrawl：设置为True；age为5小时，这样任务会每5小时执行一次
# method：HTTP请求方法，默认为GET
# params：GET请求参数，字典类型
# data：post表单数据，字典类型
# file：上传的文件，需要指定文件名，{field: {filename: 'content'}}
# user-agent：爬取使用的User-Agent
# headers：爬取使用的Request Header
# cookies：爬取时使用的Cookies，字典格式
# connect_timeout：初始化连接是的最长等待时间，默认20秒
# timeout：爬取网页时最长的等待时间，默认120秒
# allow_redirects：是否自动处理重定向，默认为True
# validate_cert：是否验证证书，对HTTPS请求有用
# proxy：爬取时的代理，它支持username：password@hostname：port；
# fetch_type：开启PhantomJS渲染，如果遇见JavaScript渲染的页面，指定该字段即实现PhantomJS的对接
self.crawl('http://www.example.org/', callback=self.callback, fetch_type='js', js_script='''function() { window.scrollTo(0,document.body.scrollHeight);return 123;} ''')
# js_script:是页面加载完毕后执行的JavaScript脚本
# js_run_at：JavaScript脚本运行的位置，是在页面节点开头还是结尾，m默认结尾，即document-end
# js_viewport_width/js_viewport_height：JavaScript渲染页面时的窗口大写
# load_images：加载JavaScript页面时确定是否加载图片，默认False
def on_start(self):
    self.crawl('http://www.example.org/', callback=self.callback,save={'a': 123})
def callback(self, response):
    return response.save['a']
# save：用于在不同方法之间传递参数
# cancel：是取消任务，如果一个任务是ACTIVE状态的，需要将force_update=True
# force_update：即使任务处于ACTIVE，那也会强制性更新状态

• 任务区分：在pyspider判断两个任务是否是重复的是使用该任务对于的URL的MD5值作为任务唯一的ID，如果ID相同，那么那个任务就会判相同，其中一个就不会爬取，但是很多情况下请求链接可能是同一个，但是POST的参数不同，这时就可以重写task_is()方法，改变ID的计算方法

import json
from pyspider.libs.utils import md5string
def get_taskid(self, task):
    return md5string(task['url']+json.dumps(task['fecth'].get('data','')))