Python:Spider爬虫工程化入门到进阶系列:
目录
本文需要用到上文提到的scrapy-project
目录文件,需要提前创建
Python:Spider爬虫工程化入门到进阶(1)创建Scrapy爬虫项目
本文涉及3个文件目录,可以提前创建好
$ tree -L 1 . ├── scrapy-project ├── scrapyd-project └── spider-admin-project
1、使用scrapyd运行爬虫
scrapyd可以管理scrapy爬虫项目
安装环境准备
# 创建目录,并进入 $ mkdir scrapyd-project && cd scrapyd-project # 创建虚拟环境,并激活 $ python3 -m venv venv && source venv/bin/activate
安装scrapyd
# 安装 scrapyd $ pip install scrapyd $ scrapyd --version Scrapyd 1.4.2
启动scrapyd服务
$ scrapyd
浏览器访问:http://127.0.0.1:6800/
2、部署Scrapy爬虫项目
2.1、修改配置文件
回到爬虫项目目录scrapy-project
,修改配置文件 scrapy.cfg
将 deploy.url
的注释去掉,6800
端口就是上面我们启动的scrapyd 端口
# Automatically created by: scrapy startproject # # For more information about the [deploy] section see: # https://scrapyd.readthedocs.io/en/latest/deploy.html [settings] default = web_spiders.settings [deploy] # url = http://localhost:6800/ url = http://localhost:6800/ project = web_spiders
2.2、部署项目
安装 scrapyd-client
pip install scrapyd-client
部署项目
$ scrapyd-deploy Packing version 1691131715 Deploying to project "web_spiders" in http://localhost:6800/addversion.json Server response (200): {"node_name": "bogon", "status": "ok", "project": "web_spiders", "version": "1691131715", "spiders": 1}
看到返回"status": "ok"
就是部署成功
3、使用Spider Admin Pro定时执行爬虫
Spider Admin Pro项目利用了scrapyd提供的api接口实现了一个可视化的爬虫管理平台,便于我们管理和调度爬虫
3.1、安装Spider Admin Pro
此时,我们需要再新建一个目录:spider-admin-project
# 创建目录,并进入 $ mkdir spider-admin-project && cd spider-admin-project # 创建虚拟环境,并激活 $ python3 -m venv venv && source venv/bin/activate
安装 spider-admin-pro
pip3 install spider-admin-pro
启动 spider-admin-pro
gunicorn 'spider_admin_pro.main:app'
浏览器访问:http://127.0.0.1:8000/
默认的
- 账号 admin
- 密码 123456
3.2、添加定时任务
我们点击左边tab栏:定时任务
, 添加一个任务
我们的项目只有一个爬虫,默认会选中我们的爬虫名字
cron表达式表示的是每分钟执行一次
全部都是默认的,我们只需要点击确定
即可,因为现在还没有运行,所以日志都是空的,我们需要等待一会
3.3、查看调度日志
点击左侧tab栏:调度日志
,过一会就能看到爬虫项目被执行了,可以在这里查看调度日志
需要注意的是,我们代码中使用 print
打印的内容,并不会出现在日志文件中
我们修改代码文件,将print
修改为self.logger.debug
web_spiders/spiders/wallpaper.py
import scrapy from scrapy.http import Response class WallpaperSpider(scrapy.Spider): name = "wallpaper" allowed_domains = ["mouday.github.io"] # 替换爬虫开始爬取的地址为我们需要的地址 # start_urls = ["https://mouday.github.io"] start_urls = ["https://mouday.github.io/wallpaper-database/2023/08/03.json"] # 将类型标注加上,便于我们在IDE中快速编写代码 # def parse(self, response): def parse(self, response: Response, **kwargs): # 我们什么也不做,仅打印爬取的文本 # 使用 `print` 打印的内容,并不会出现在日志文件中 # print(response.text) self.logger.debug(response.text)
重新部署
$ scrapyd-deploy
等待刚刚部署的爬虫运行结束,就可以看到日志了
4、收集爬虫数据
4.1、返回Item对象
我们的目标网站返回的数据结构如下
{ "date":"2023-08-03", "headline":"绿松石般的泉水", "title":"泽伦西自然保护区,斯洛文尼亚", "description":"泽伦西温泉位于意大利、奥地利和斯洛文尼亚三国的交界处,多个泉眼汇集形成了这个清澈的海蓝色湖泊。在这里,游客们可以尽情欣赏大自然色彩瑰丽的调色盘。", "image_url":"https://cn.bing.com/th?id=OHR.ZelenciSprings_ZH-CN8022746409_1920x1080.webp", "main_text":"泽伦西自然保护区毗邻意大利和奥地利边境,距离斯洛文尼亚的克拉尼斯卡戈拉不到5公里。" }
所以,根据对应字段建立如下的Item对象
web_spiders/items.py
# Define here the models for your scraped items # # See documentation in: # https://docs.scrapy.org/en/latest/topics/items.html import scrapy class WebSpidersItem(scrapy.Item): # define the fields for your item here like: date = scrapy.Field() headline = scrapy.Field() title = scrapy.Field() description = scrapy.Field() image_url = scrapy.Field() main_text = scrapy.Field()
同时,修改爬虫文件,将数据包装到Item的子类 WebSpidersItem
对象上,并返回
web_spiders/spiders/wallpaper.py
import json import scrapy from scrapy.http import Response from web_spiders.items import WebSpidersItem class WallpaperSpider(scrapy.Spider): name = "wallpaper" allowed_domains = ["mouday.github.io"] # 替换爬虫开始爬取的地址为我们需要的地址 # start_urls = ["https://mouday.github.io"] start_urls = ["https://mouday.github.io/wallpaper-database/2023/08/03.json"] # 将类型标注加上,便于我们在IDE中快速编写代码 # def parse(self, response): def parse(self, response: Response, **kwargs): # 我们什么也不做,仅打印爬取的文本 # 使用 `print` 打印的内容,并不会出现在日志文件中 # print(response.text) self.logger.debug(response.text) # 使用json反序列化字符串为dict对象 data = json.loads(response.text) # 收集我们需要的数据 item = WebSpidersItem() item['date'] = data['date'] item['headline'] = data['headline'] item['title'] = data['title'] item['description'] = data['description'] item['image_url'] = data['image_url'] item['main_text'] = data['main_text'] return item
重新部署
$ scrapyd-deploy
可以看到,除了打印的日志外,还多打印了一份数据,这就是我们刚返回的Item对象
4.2、收集Item数据
我们可以看到,运行状态一列,都是unknown
,我们需要知道爬虫的运行状态,是成功还是失败
scrapy-util 可以帮助我们收集到程序运行的统计数据
返回项目scrapy-project
安装scrapy-util
pip install scrapy-util
修改配置文件 web_spiders/settings.py
将以下配置添加到配置文件中,端口号改为 spider-admin-pro 的实际端口号,这里是8000
# 设置收集运行日志的路径,会以post方式向 spider-admin-pro 提交json数据 # 注意:此处配置仅为示例,请设置为 spider-admin-pro 的真实路径 # 假设,我们的 spider-admin-pro 运行在http://127.0.0.1:8000 STATS_COLLECTION_URL = "http://127.0.0.1:8000/api/statsCollection/addItem" # 启用数据收集扩展 EXTENSIONS = { # =========================================== # 可选:如果收集到的时间是utc时间,可以使用本地时间扩展收集 'scrapy.extensions.corestats.CoreStats': None, 'scrapy_util.extensions.LocaltimeCoreStats': 0, # =========================================== # 可选,打印程序运行时长 'scrapy_util.extensions.ShowDurationExtension': 100, # 启用数据收集扩展 'scrapy_util.extensions.StatsCollectorExtension': 100 }
重新部署
$ scrapyd-deploy
我们看到scrapyd的控制台输出了如下信息
ModuleNotFoundError: No module named 'scrapy_util'
说明有问题,因为我们没有给scrapyd的运行环境安装依赖scrapy-util
停掉scrapyd,安装scrapy-util
pip install scrapy-util
安装完毕后,重新启动 scrapyd
让爬虫执行一会,我们就可以看到,调度日志列表多了一些信息,可以看到
- 运行状态:finished,而不是unknown
- item数量是1,我们返回了1个item对象
- error错误时空的,说明程序没有报错
- 持续时间是1秒,运行时间很短,很快就结束了
5、总结
本文用到了很多的第三方模块,将这些模块整合进我们的项目能极大提高工作效率
第三方库 | 说明 | 文档资料 |
---|---|---|
scrapy | 创建工程化的爬虫项目 | github |
scrapyd | 运行scrapy爬虫 | github、docs |
scrapyd-client | 部署scrapy爬虫 | github |
spider-admin-pro | 调度scrapy爬虫 | github |
scrapy-util | 收集爬虫运行结果 | github |
gunicorn | 执行spider-admin-pro应用 | docs |