百度爬虫工程师教你只用500行Python代码构建一个轻量级爬虫框架

Features

1. 简单、易用；
2. 易于定制的 Spider ；
3. 多线程实现并发下载。

待改进

1. 更多的测试代码；
2. 添加更多的网站爬虫示例；
3. 完善爬虫调度，支持 Request 优先级调度。

xcrawler 介绍

项目结构

├── demo （一个示例 Spider）
│ ├── baidu_news.py
│ └── __init__.py
├── README.md （项目文档）
├── setup.py （pip 安装脚本）
├── tests （测试代码，尚未完成）
└── xcrawler （核心代码）
 ├── core
 │ ├── crawler.py （Crawler process，负责管理引擎的配置和启动）
 │ ├── engine.py （Crawler engine，负责调度并完成 URL 请求和调用解析方法）
 │ ├── __init__.py
 ├── __init__.py
 ├── spider
 │ ├── __init__.py
 │ ├── request.py
 │ ├── response.py
 │ └── spider.py （Spider 基类，所有的自定义 Spider 需要从此处继承）
 └── utils （一些工具函数）
 ├── __init__.py
 └── url.py

Crawler engine （生产者+消费者模型）

1. 引擎启动时会启动一个后台线程池，后台线程池负责下载由调度器提供给它的所有 URL （Request），并将响应（Response）结果存放到队列中；
2. 引擎的前台解析线程会不断消费处理队列中的响应（Response），并调用相应 Spider 的解析函数处理这些相应；
3. 引擎负责处页面理解析回来的对象，所有的 Request 对象都会被放到队列中（递归抓取时）等待处理，所有的字典对象（item）送给 Spider 的 process_item 方法处理。

配置介绍

• 配置项目

1. download_delay : 每批次之间的下载延迟（单位为秒），默认为 0；
2. download_timeout ：下载等待延迟，默认为 6 秒；
3. retry_on_timeout ：即当下载超时后，对应的请求是否应该重试；
4. concurrent_requests ：并发下载数；
5. queue_size ：请求队列大小，当队列已满时，会阻塞后续的请求。

• 示例配置：
• 由于链接老是失效，所以私信007即可获取到数十套PDF的群！

settings = {
 'download_delay': 0,
 'download_timeout': 6,
 'retry_on_timeout': True,
 'concurrent_requests': 32,
 'queue_size': 512
}

Spider 基类关键方法介绍

1. spider_started ：该方法会在引擎启动时被触发调用，你可以通过继承该方法进行一些初始化工作，比如配置 pipeline 输出文件或者数据库连接等等；
2. spider_idle ：该方法会在引擎处理空闲状态（即没有任何 requests 在队列）时被触发调用，你可以通过继承该方法给引擎添加新的请求等（使用 self.crawler . crawl ( new_request , spider = self )即可）；
3. spider_stopped ：该方法会在引擎关闭时触发调用，你可以通过继承该方法并在 Spider 结束工作前做一些清理工作，如关闭文件管道、关闭数据库连接等；
4. start_requests ：该方法会为引擎提该 Spider 的对应种子请求；
5. make_requests_from_url ：该方法会为你的 URL 创建一个 Request 对象；
6. parse ：该方法为请求的默认解析函数回调，当然你可以可以在创建 Request 时指定其它的回调函数；
7. process_request ：每当引擎处理一个 Spider 对应的请求时，该方法会被触发调用，你可以通过继承该方法对 request 做些设置，比如更换随机的 User - Agent ，替换 Cookies 或者代理等；当然，你可以将 request 设置为 None 从而忽略该请求；
8. proccess_response ：每当引擎处理一个 Spider 对应的响应时，该方法会被触发调用；
9. process_item ：每当引擎处理一个 Spider 对应的 item 时，该方法会被触发调用，你可以通过继承该方法将抓取并解析到的 item 存储到数据库或者本地文件中。

注意

1. 你可以在一个 Crawler 进程中装入不同的 Spider class ，但需要保证不同的 Spider 的名称也要不同，否则会被引擎拒绝；
2. 需要根据情况调整下载延迟和并发数大小；下载延迟尽量不要太大，否则每批请求可能会等待较长时间才会处理完成，从而影响爬虫性能；
3. Windows 下的测试还没做，我用的是 Ubuntu ，所以如果您有什么问题，欢迎反馈哈！

安装

1. 请移步项目主页 xcrawler (https://github.com/chrisleegit/xcrawler) 下载源码；
2. 请保证你的安装环境为 Python 3.4+ ；
3. 请使用 pip 3 setup.py install 安装即可。

示例

from xcrawler import CrawlerProcess
from xcrawler.spider import BaseSpider, Request
from lxml.html import fromstring
import json
__version__ = '0.0.1'
__author__ = 'Chris'
class BaiduNewsSpider(BaseSpider):
 name = 'baidu_news_spider'
 start_urls = ['http://news.baidu.com/']
 default_headers = {
 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) '
 'Chrome/50.0.2661.102 Safari/537.36'
 }
 def spider_started(self):
 self.file = open('items.jl', 'w')
 def spider_stopped(self):
 self.file.close()
 def spider_idle(self):
 # 引擎空闲时，你也可以从数据库中提取新的 URL 进来
 print('I am in idle mode')
 # self.crawler.crawl(new_request, spider=self)
 def make_requests_from_url(self, url):
 return Request(url, headers=self.default_headers)
 def parse(self, response):
 root = fromstring(response.content,
 base_url=response.base_url)
 for element in root.xpath('//a[@target="_blank"]'):
 title = self._extract_first(element, 'text()')
 link = self._extract_first(element, '@href').strip()
 if title:
 if link.startswith('http://') or link.startswith('https://'):
 yield {'title': title, 'link': link}
 yield Request(link, headers=self.default_headers, callback=self.parse_news,
 meta={'title': title})
 def parse_news(self, response):
 pass
 def process_item(self, item):
 print(item)
 print(json.dumps(item, ensure_ascii=False), file=self.file)
 @staticmethod
 def _extract_first(element, exp, default=''):
 r = element.xpath(exp)
 if len(r):
 return r[0]
 return default
def main():
 settings = {
 'download_delay': 1,
 'download_timeout': 6,
 'retry_on_timeout': True,
 'concurrent_requests': 16,
 'queue_size': 512
 }
 crawler = CrawlerProcess(settings, 'DEBUG')
 crawler.crawl(BaiduNewsSpider)
 crawler.start()
if __name__ == '__main__':
 main()

版权声明

• 本文由 Christopher L 发表，采用 知识共享署名——非商业性使用——相同方式共享 4.0 国际许可协议 进行许可。请确保你已了解许可协议，并在转载 时声明。
• 本文固定链接： http://blog.chriscabin.com/?p=1512。