使用python，scrapy写（定制）爬虫的经验，资料，杂。

http://my.oschina.net/u/1024140/blog/188154

近期找工作略不顺。技术无用。晚上写下了这点东西。

首先说下最近在找工作的x的大概相关技术加点路线。py 3年+，linux日常熟练，限于不擅web、手机app开发，一直无太好的可展示的东西。前段时间从一家小公司离职。年前投下，没啥的话，年后再看下。先投的py爬虫的，没合适的再看运维和py相关其他。

正文开始前略吐槽下，我之前工作的小公司，在我去之前，还是多线程urllib爬正则解析，网页编码解析从GBK，UTF8依次猜。他有点强让我走了。

我开始大量使用scrapy时，scrapy已是0.16版。这个版本相对比较成熟，该版本持续了近一年时间，13年夏发布0.18版。在网上搜scrapy资料，中文的相对较少，为数不多的几篇也多写于scrapy较早的版本（提醒看资料注意发布时间）。从旧资料看，早期的scrapy，还没有dns解析缓存，url去重等功能。到0.16时，scrapy已基本成型，差的几个功能（如HTTP长连接，仿浏览器缓存机制（RFCXXXX）的CACHE）陆续在0.18，0.20里面上实现了。Scrapinghub(写scrapy的人搞得公司)上的产品也更丰富了。

scrapy的优点在于成熟完善，定制开发快。

scrapy对比其他我所知的定制爬虫解决方案。主要对比python内的几个方案。

JAVA：nutch，hetrix...etc。这几个更适合做通用爬虫或少量的定制爬虫，相对scrapy优点是资料比较多，成熟。不过用java系的写大量定制爬虫应该比较痛苦。

Ruby：不了解，仅听说ruby有个爬虫库。

Node.js：遇到有个初创团队用node.js写的，负责人有scrapy（<0.16），gevent经验。不了解。

python：gevent及其他py的爬虫框架。稍后会详细描述这部分。

对于gevent上写爬虫的各位，我只能说你们有实力，你们为何要造轮子，你们肯定有自己的理由的，推荐参考下scrapy造轮子。gevent写爬虫大概的方案是gevent+requests+一个队列库（redis,beanstalk.etc.）。需要注意的点和坑有如下一些。

0,gevent使用协程，monkey_patch后一些调试方法不可用。

1，requests的编码检测是不符标准的，他有两个编码，一个是http head里面的编码，另一个是依据网页body的编码。标准是网页内容声明的编码优先于http头的编码，requests没有做这个考虑，总是使用head里面的编码。在head和body编码声明不一致时可能出现编码错误。

2,gevent的同步机制略少，某些情况下协程同步效率低。这个是我在写http代理调度器（类似Crawlera）的东西时遇到的。http代理调度器我下面会提及。

3,其他各种细节。太多。如requests开gzip，requests连接池等等。太多太多。

gevent相对于scrapy的优点有：

1,如果涉及到底层定制 ，gevent比scrapy所用的twisted简单。我曾想给scrapy嵌一个http代理调度功能，发现略难，需要很了解twisted。

2,如果你只需要很少的几个简单爬虫，你可能觉得gevent用着更顺手（但scrapy也很容易）。对于纯下载网页，用gevent实现比scrapy快，毕竟scrapy还有其他功能，但这有个前提，你有很高很高的带宽，要先达到scrapy的下载页面速率上限。

python还有其他几个爬虫框架，我都大致看过源码。有个框架有个让你人工输验证码的demo（名字忘了）。其他没什么特别的了。

scrapy经验，资料

资料：官方文档，http权威指南，一些博文。

看文档时仔细点，很多功能都有。

scrapy github账号的各类repo(https://github.com/scrapinghub)有很多好东西，如：

1,scrapyjs,splash:爬虫遇到的js问题的解决方法（JS解析会在下面提及）

2,webstruct...etc：机器学习，模糊匹配等用来解析网页内容的。

3,etc...

scrapy有个SEP类似PEP的，可以一看，也在github的仓库。

留意scrapy的博客http://blog.scrapinghub.com/

wiki：https://github.com/scrapy/scrapy/wiki

scrapy公司(http://scrapinghub.com/)的产品：

1,定制爬虫（让scrapy公司帮你写爬虫然后交付你）

2,scrapy cloud（提供跑爬虫的服务器(scrapyd)）

3,autoscraping(点击需要内容即可实现爬取)

4,crawlera,解决爬网站的ip限制问题（我有一个类似功能的本地版http代理调度器及大量代理）。

一些常见问题，经验：

0,了解scrapy已经做过的功能，优化等。。。防止重复造轮子，如，去重，编码检测，dns缓存，http长连接,gzip等等。

1,JS相关。

这个是被问的最多的。看具体情况解决。可模拟相关js执行、绕过，或直接调浏览器去访问。自己用一个JS引擎+模拟一个浏览器环境难度太大了（参见V8的DEMO）。

调浏览器有很多方法。难以细说，关键字如下，selenium，phantomjs，casperjs，ghost，webkit，scrapyjs，splash。一些细节如关掉CSS渲染，图片加载等。只有scrapyjs是完全异步的，相对是速度最快的，scrapyjs将webkit的事件循环和twisted的事件循环合在一起了。其他的方案要么阻塞，要么用多进程。简单的js需求（对效率要求不高）随意选，最优方案是scrapyjs+定制webkit（去掉不需要的功能）。调浏览器开页面是比较耗资源的（主要是cpu）

2,内容解析。

XPATH就可以了，感兴趣可以看下pyquery，css选择器。

如果想获得网页对应的txt，可以调浏览器，有个类似plain_txt的接口可以获取网页保存成txt。

模糊匹配参考scrapy github里面几个库，机器学习不一定好用（效果问题，人工问题-需要训练）。还有写些正则去模糊匹配。

新闻类似的正文提取有readability,boilerplate。

3,分布式。

首先考虑按任务（目标）切分，然后让不同目标的爬虫在不同机器上跑

完全的对等分布式（多爬虫爬一个目标），把任务队列替换掉爬虫改改即可。github里面有几个现有的实现参考。

分布式需求可能是伪命题。想清楚为何要分布式。硬件够不够，像什么拿一个不支持持久化的url队列的爬虫说量大需要分布式的，我只能默念，你为何这么吊。

4,部署，调度

部署推荐scrapyd。这也是官方推荐的方法。

大量爬虫的调度，这个目前（13-10）没有现成的合适方法，期望是实现爬虫的某些配置放数据库，提供web后台 ，然后按配置周期、定时运行爬虫，终止，暂停爬虫等等。可以实现，但要自己写不少东西。

5,ip限制问题

买的起大量ip的可买（买大量同网段爬可能导致整网段被封）。

找大量免费的开放http代理，筛选可用的，免费开放代理不可靠，写个调度机制，自动根据成功次数，延迟等选择合适代理，这个功能难以在scrapy内实现，参考scrapinghub的crawlera，我完成了一个本地版。

6,url去重。

如果有千万级的URL需要去重，需要仔细看下scrapy的去重机制和bloom filter（布隆过滤器）。bloomfilter有个公式可以算需要多少内存。另bloomfilter  + scrapy在github有现有实现可以参考。

7,存储。

mongodb，mongodb不满足某些功能时考虑hbase,参考http://blog.scrapinghub.com/2013/05/13/mongo-bad-for-scraped-data/

8,硬件扛不住别玩爬虫。。。曾在I3 4G 1T上跑爬虫。卡在磁盘io（量大，磁盘io差，内存低），出现内存占用飙升。很难调试（调试爬虫看实际跑耗时较长），初步以为是爬虫有问题内存占用高导致数据库卡。调试结果确认为，配置低量太大，导致数据库慢，数据库慢之后爬虫任务队列占满内存并开始写磁盘，又循环导致数据库慢。

9，爬虫监控

scrapyd自带简单的监控，不够的话用scrapy的webservice自己写，暂无（13.10）现成的

9,=。=想到再补充。