500 行 Python 代码构建一个轻量级爬虫框架

浏览数:1,726

2018-2-3

引言

玩 Python 爬虫有段时间了，但是目前还是处于入门级别。xcrawler 则是利用周末时间构建的一个轻量级的爬虫框架，其中一些设计思想借鉴了著名的爬虫框架 Scrapy 。既然已经有像 Scrapy 这样优秀的爬虫框架，为何还要造轮子呢？嗯，其实最主要的还是想要将学习到 Python 知识综合起来，提高一下自己。

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：

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 pip3 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()