爬虫平台的架构实现和框架的选型

最新推荐文章于 2023-10-01 23:17:55 发布

吧主

最新推荐文章于 2023-10-01 23:17:55 发布

阅读量1k

点赞数

点击上方 "程序员小乐"关注公众号, 星标或置顶一起成长

每天早上8点20分, 第一时间与你相约

每日英文

It has not been the time yet to give up as long as you still feel it is not the end. I could cry for a thousand times if you promise me a happy ending.

只要心里还存着不甘心，就还不到放弃的时候。只要是喜剧收尾，过程你让我怎么哭都行。

每日掏心话

不是每一次努力都会有收获，但是，每一次收获都必须努力，这是一个不公平的不可逆转的命题。

来自：张永清 | 责编：乐乐

链接：cnblogs.com/laoqing

640?wx_fmt=png

程序员小乐(ID:study_tech)第 639 次推文图片来自网络

往日回顾：分享技术人学习有用的国外网站

正文

首先来看一下一个爬虫平台的设计，作为一个爬虫平台，需要支撑多种不同的爬虫方式，所以一般爬虫平台需要包括：

爬虫规则的维护，平台在接收到爬虫请求时，需要能按照匹配一定的规则去进行自动爬虫
爬虫的job调度器，平台需要能负责爬虫任务的调度，比如定时调度，轮询调度等。
爬虫可以包括异步的海量爬虫，也可以包括实时爬虫，异步爬虫指的是爬虫的数据不会实时返回，可能一个爬虫任务会执行很久。实时爬虫指爬的数据要实时返回，这个就要求时间很短，一般适合少量数据的爬虫。
爬虫好的数据可以生成指定的文件，比如csv文件，json文件等，然后通过数据处理引擎做统一处理，比如csv文件可以通过数据交换落入大数据平台，或者爬虫好的数据也可以丢入kafka中，然后再通过流式处理任务（spark或者storm，flink）做爬虫数据的清洗和处理，处理完的数据，可以入到数据库中。

下图就是在平台设计时，爬虫处理的一个流程，这个里面包含了实时爬虫，异步爬虫。

根据上图的处理流程，我们可以把架构图进一步演进下：

时序图如下：

我们这里先介绍异步爬虫，爬虫的框架很多，异步爬虫一般用的比较多就是scrapy。

首先安装scrapy：

pip install scrapy

安装完成后，就可以通过命令行创建一个基于scrapy的爬虫项目，我们以爬取应用宝中理财类APP的名称为示例：

创建爬虫项目的命令行命令：

scrapy startproject zj_scrapy

然后在命令行中，进入到创建的zj_scrapy目录下：

cd zj_scrapy

执行：

scrapy genspider sjqq “sj.qq.com”

创建一个爬虫爬虫创建好了后，可以使用IDE打开创建好的python项目，比如用idea（需要安装python插件，默认没有安装）打开我们创建好的项目

项目创建好了后，会默认生成一些模板代码文件。

1、 items.py

items用于存储字段的定义。即爬取的内容存与item类中，在这里我们定义了一个name字段。

# -*- coding: utf-8 -*-	
 	
# Define here the models for your scraped items	
#	
# See documentation in:	
# https://doc.scrapy.org/en/latest/topics/items.html	
 	
import scrapy	
 	
 	
class ZjScrapyItem(scrapy.Item):	
# define the fields for your item here like:	
# name = scrapy.Field()	
    name = scrapy.Field()	
pass

2、 spider文件编写

这个文件一般在spiders 这个package下面，默认会继承scrapy.Spider

# -*- coding: utf-8 -*-	
import scrapy	
from scrapy.http import HtmlResponse	
 	
from zj_scrapy.items import ZjScrapyItem	
 	
 	
class SjqqSpider(scrapy.Spider):	
    name = 'sjqq'	
    allowed_domains = ['sj.qq.com']	
    start_urls = ['https://sj.qq.com/myapp/category.htm?orgame=1&categoryId=114']	
 	
def parse(self, response:HtmlResponse):	
        name_list =  response.xpath('/html/body/div[3]/div[2]/ul/li')	
        print("=============",response.headers)	
for each in name_list:	
            item = ZjScrapyItem()	
            name = each.xpath('./div/div/a[1]/text()').extract()	
            item['name'] = name[0]	
yield item	
pass

关于这段代码的解释如下：

3、 pipeline文件编写

pipeline文件一般用于对处理好的爬虫结果数据做处理，可以入到数据库中，也可以生成到指定的文件中，process_item 方法就是对数据做处理的。

另外pipeline 还包含了__init__和close_spider 两个方法。 __init__ 用于做初始化处理。 close_spider 用于执行结束时的操作处理。比如数据写入数据库或者文件后，对数据库做链接关闭或者文件流做关闭操作等。

# -*- coding: utf-8 -*-	
 	
# Define your item pipelines here	
#	
# Don't forget to add your pipeline to the ITEM_PIPELINES setting	
# See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html	
 	
 	
class ZjScrapyPipeline(object):	
def process_item(self, item, spider):	
        print("+++++++++++++++++++",item['name'])	
        print("-------------------",spider.cc)	
return item

4、 setting文件修改

setting文件中存放的是爬虫的配置，常用的配置一般可以包括

1）、ITEM_PIPELINES的配置，比如：

ITEM_PIPELINES = {	

	
    'zj_scrapy.pipelines.ZjScrapyPipeline': 300,	

	
}

这里的300代表了一个优先级，数值范围一般在0-1000，这个数值确定了运行的顺序，数字越小，优先级越高。

2）、字符集配置，可以通过FEED_EXPORT_ENCODING指定字符集：

FEED_EXPORT_ENCODING = 'utf-8'

3）、CONCURRENT_REQUESTS配置Scrapy执行的最大并发请求数

# Configure maximum concurrent requests performed by Scrapy (default: 16)	

	
CONCURRENT_REQUESTS = 32

4）配置请求的header，可以通过DEFAULT_REQUEST_HEADERS来进行配置

DEFAULT_REQUEST_HEADERS = {	

	
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',	

	
'Accept-Language': 'en',	

	
}

5、本地执行爬虫

在上面的都做完后，可以通过执行命令行scrapy crawl sjqq -o items.csv 来在本地运行爬虫，sjqq 就是前面指定的爬虫名，-o items.csv 表示生成一个csv文件。

运行完成后，可以看到爬取的内容已经写到了指定的文件中。

在运行时，可以通过-a 指定自定义的参数，比如scrapy crawl sjqq -o items.csv -a cc=scrapttest 在这条执行命令中，我们指定了一个cc参数等于scrapttest，在Pipeline 中，我们可以通过代码获取这个参数

class ZjScrapyPipeline(object):	
def process_item(self, item, spider):	
        print("+++++++++++++++++++",item['name'])	
        print("-------------------",spider.cc)	
return item

在代码中，我们通过spider.cc 就可以获取到这个参数的值，然后在运行日志可以看到，我们打印出来了这个参数值。

通过这种方式，我们就解决了爬虫运行时，参数的的动态传递问题。

6、爬虫部署到服务端

安装scrapyd

pip install scrapyd

安装scrapyd-deploy

pip install scrapyd-client

scrapyd 是scrapy的爬虫服务端，安装完成后，执行scrapyd可以启动服务端。

启动时默认端口为6800

启动后，通过浏览器可以访问http://localhost:6800/

服务端启动后，就可以通过scrapyd-deploy 来提交部署开发好的爬虫了。

scrapyd-deploy <target> -p <project>  --version <version>

部署成功后，就可以看到自己的爬虫项目了

7、创建服务端的爬虫任务

如果是在linux命令下，可以通过

curl http://localhost:6800/schedule.json -d project= zj_scrapy -d spider=sjqq

来提交一个爬虫任务，提交完成后，会返回提交的任务状态，这个其实就是提交了一个http请求

{	
   "node_name": "ZJPH-0321",	
   "status": "ok",	
   "jobid": "dd7f10aca76e11e99b656c4b90156b7e"	
}

提交成功后，可以在浏览器的job下面看到任务的执行情况：

如果需要携带自定义的参数，那么可以通过-d来指定，比如-d cc=scrapttest，和前面在本地执行时，增加自定义参数是一样的。

也可以通过http请求工具（比如soapui）提交一个http请求来触发一个爬虫任务。

schedule.json请求中还可以包含如下参数：

setting (string, optional) –自定义爬虫settings
jobid (string, optional) –jobid，之前启动过的spider，会有一个id，这个是可选参数
_version (string, optional) –版本号，之前部署的时候的version，只能使用int数据类型，没指定，默认启动最新版本

8、 scrapyd 其他的API：

1）、curl

http://localhost:6800/daemonstatus.json 检查爬虫服务的状态。

2）、addversion.json

增加项目到服务端如果项目已经存在，则增加一个新的版本。

POST请求：

project (string, required) –项目名
version (string, required) –项目版本，不填写则是当前时间戳
egg (file, required) –当前项目的egg文件
curl http://localhost:6800/addversion.json -F project=myproject -F version=r23 -F egg=@myproject.egg

3）、 cancel.json

取消一个 spdier的运行，如果 spider是运行状态，则停止其运行；如果 spider是挂起状态，则删除spider。

POST请求：

project (string, required) –项目名
job (string, required) -jobid
curl http://localhost:6800/cancel.json -d project=myproject -d job=6487ec79947edab326d6db28a2d86511e8247444

4）、listprojects.json

获取当前已上传的项目的列表

GET请求：

curl http://localhost:6800/listprojects.json

5）、listversions.json

获取指定项目的可用版本

GET请求：

project (string, required) –项目名
curl http://localhost:6800/listversions.json?project=myproject

6）、listspiders.json

获取指定版本的项目中的爬虫列表，如果没有指定版本，则是最新版本

GET请求：

project (string, required) –项目名
_version (string, optional) –版本号
$ curl http://localhost:6800/listspiders.json?project=myproject

7）、 listjobs.json

获取指定项目中所有挂起、运行和运行结束的job

GET请求

project (string, option) - restrict results to project name
curl http://localhost:6800/listjobs.json?project=myproject | python -m json.tool

8）、delversion.json

删除指定项目的指定版本

POST请求：

project (string, required) - the project name
version (string, required) - the project version
curl http://localhost:6800/delversion.json -d project=myproject -d version=r99

9）、delproject.json

删除指定项目，并且包括所有的版本

POST请求：

project (string, required) - the project name
curl http://localhost:6800/delproject.json -d project=myproject

前面介绍了scrapy的基本操作，下面介绍下scrapy爬虫的内部实现架构如下图

1、Spiders(爬虫)：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)

2、Engine(引擎)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

3、Scheduler(调度器)：它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

4、Downloader(下载器)：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理

5、ItemPipeline(管道):它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

6、Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

7、Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）。

Scrapy 爬虫整过处理的过程如下：

每一个用scrapy创建的爬虫项目都会生成一个middlewares.py文件，在这个文件中定义了两个处理中间件SpiderMiddleware和DownloaderMiddleware，这两个中间件分别负责请求前的过滤和请求后的response过滤。

上面介绍了基于scrapy的异步爬虫，下面介绍一下实时爬虫，也就是爬虫数据实时返回。

我们可以用requests+BeautifulSoup来进行实现。

Requests负责网页的请求，BeautifulSoup负责对请求完的网页进行网页解析。

下面的代码是一个爬取应用宝中理财类APP的名称的爬虫代码实现

# -*- coding: utf-8 -*-import requestsfrom bs4 import BeautifulSoupimport timeclass SyncCrawlSjqq(object):    def parser(self,url):        req = requests.get(url)        soup = BeautifulSoup(req.text,"lxml")        name_list = soup.find(class_='app-list clearfix')('li')        names=[]for name in name_list:            app_name = name.find('a',class_="name ofh").text            names.append(app_name)return namesif __name__ == '__main__':    syncCrawlSjqq = SyncCrawlSjqq()    t1 = time.time()    url = "https://sj.qq.com/myapp/category.htm?orgame=1&categoryId=114"print(syncCrawlSjqq.parser(url))    t2 = time.time()print('一般方法，总共耗时：%s' % (t2 - t1))

运行结果如下：

D:\python\Python3\python.exe D:/project/python/zj_scrapy/zj_scrapy/SyncCrawlSjqq.py

['宜人贷借款', '大智慧', '中国建设银行', '同花顺手机炒股股票软件', '随手记理财记账', '平安金管家', '翼支付', '第一理财', '平安普惠', '51信用卡管家', '借贷宝', '卡牛信用管家', '省呗', '平安口袋银行', '拍拍贷借款', '简理财', '中国工商银行', 'PPmoney出借', '360借条', '京东金融', '招商银行', '云闪付', '腾讯自选股（腾讯官方炒股软件）', '鑫格理财', '中国银行手机银行', '风车理财', '招商银行掌上生活', '360贷款导航', '农行掌上银行', '现金巴士', '趣花分期', '挖财记账', '闪银', '极速现金侠', '小花钱包', '闪电借款', '光速贷款', '借花花贷款', '捷信金融', '分期乐']

一般方法，总共耗时：0.3410000801086426

Process finished with exit code 0

我们可以采用flask web 框架对上面的方法做一个http 服务，然后上面的爬虫就变成了http爬虫服务了。调用http服务后，服务实时返回爬取的数据给http请求调用方，示例参考代码如下：

# -*- coding: utf-8 -*-	
import requests	
from bs4 import BeautifulSoup	
from flask import Flask, request, Response	
import json	
app = Flask(__name__)	
class SyncCrawlSjqq(object):	
def parser(self,url):	
        req = requests.get(url)	
        soup = BeautifulSoup(req.text,"lxml")	
        name_list = soup.find(class_='app-list clearfix')('li')	
        names=[]	
for name in name_list:	
            app_name = name.find('a',class_="name ofh").text	
            names.append(app_name)	
return names	
@app.route('/getSyncCrawlSjqqResult',methods = ['GET'])	
def getSyncCrawlSjqqResult():	
    syncCrawlSjqq=SyncCrawlSjqq()	
return Response(json.dumps(syncCrawlSjqq.parser(request.args.get("url"))),mimetype="application/json")	
if __name__ == '__main__':	
    app.run(port=3001,host='0.0.0.0',threaded=True)	
#app.run(port=3001,host='0.0.0.0',processes=3)

并发方法可以使用多线程来加速一般方法，我们使用的并发模块为concurrent.futures模块，设置多线程的个数为20个（实际不一定能达到，视计算机而定）。

实现的示例代码如下：

运行结果如下：

D:\python\Python3\python.exe D:/project/python/zj_scrapy/zj_scrapy/SyncCrawlSjqqMultiProcessing.py

一般方法，总共耗时：0.3950002193450928

Process finished with exit code 0

比如单线程运行，多线程在爬虫时明显会要快很多。

640?wx_fmt=png