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 |
529
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
