Pyspider 是一个用python实现的功能强大的网络爬虫系统,能在浏览器界面上进行脚本的编写,功能的调度和爬取结果的实时查看,后端使用常用的数据库进行爬取结果的存储,还能定时设置任务与任务优先级等。
主要功能需求:
1、抓取,更新调度多站点的特定的页面
2、需要对页面进行结果化信息的提取
3、灵活可扩展,稳定可监控
Pyspider设计基础:
1、 通过python脚本进行结构化信息的提取,follow链接调度抓取控制,实现最大的灵活性
2、通过web化的脚本编写,调试环境.。web展现调度状态
3、抓取环境成熟稳定,模块间相互独立,通过消息队列链接,从单进程到多机分布式灵活拓展
优势:
1、 基于多线程异步的任务调度方式;可以实现爬虫的高并发爬取,注意使用代理;
2、它提供了一个WedUI的爬虫任务管理界面,可以实现爬虫的停止,启动,调试,支持定时爬取任务;
3、代码简洁;
4、支持动态网站的爬取;requests/urllib只能爬取静态网站。
劣势:
可扩展性不强;
整体上来说:一些订制性高的,需要自己定义一些功能的时候可以使用Scrapy,而一些定制性不高,不需要太多自定义功能时使用pyspider
装饰器的使用
不管是什么爬虫框架,在爬虫采集数据的过程中都会面临IP被封、爬取受限、违法操作等多种问题,所以在爬取数据之前,一定要了解好预爬网站是否涉及违法操作,找到合适的代理IP访问网站等一系列问题。
来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31561225/viewspace-2375028/,如需转载,请注明出处,否则将追究法律责任。
转载于:http://blog.itpub.net/31561225/viewspace-2375028/