一、scrapy

1.1 概述

Scrapy，Python開發(fā)的一個快速、高層次的屏幕抓取和web抓取框架，用于抓取web站點并從頁面中提取結(jié)構(gòu)化的數(shù)據(jù)。Scrapy用途廣泛，可以用于數(shù)據(jù)挖掘、監(jiān)測和自動化測試.

其最初是為了頁面抓取 (更確切來說, 網(wǎng)絡(luò)抓取 )所設(shè)計的， 后臺也應(yīng)用在獲取API所返回的數(shù)據(jù)(例如 Amazon Associates Web Services ) 或者通用的網(wǎng)絡(luò)爬蟲.

Scrapy吸引人的地方在于它是一個框架，任何人都可以根據(jù)需求方便的修改。它也提供了多種類型爬蟲的基類，如BaseSpider、sitemap爬蟲等，最新版本又提供了web2.0爬蟲的支持.

1.2 構(gòu)成

Scrapy框架主要由五大組件組成，它們分別是調(diào)度器(Scheduler)、下載器(Downloader)、爬蟲（Spider）和實體管道(Item Pipeline)、Scrapy引擎(Scrapy Engine)。下面我們分別介紹各個組件的作用。

(1)、調(diào)度器(Scheduler):

調(diào)度器，說白了把它假設(shè)成為一個URL（抓取網(wǎng)頁的網(wǎng)址或者說是鏈接）的優(yōu)先隊列，由它來決定下一個要抓取的網(wǎng)址是 什么，同時去除重復(fù)的網(wǎng)址（不做無用功）。用戶可以自己的需求定制調(diào)度器。

(2)、下載器(Downloader):

下載器，是所有組件中負(fù)擔(dān)最大的，它用于高速地下載網(wǎng)絡(luò)上的資源。Scrapy的下載器代碼不會太復(fù)雜，但效率高，主要的原因是Scrapy下載器是建立在twisted這個高效的異步模型上的(其實整個框架都在建立在這個模型上的)。

(3)、 爬蟲（Spider）:

爬蟲，是用戶最關(guān)心的部份。用戶定制自己的爬蟲(通過定制正則表達(dá)式等語法)，用于從特定的網(wǎng)頁中提取自己需要的信息，即所謂的實體(Item)。 用戶也可以從中提取出鏈接,讓Scrapy繼續(xù)抓取下一個頁面。

(4)、 實體管道(Item Pipeline):

實體管道，用于處理爬蟲(spider)提取的實體。主要的功能是持久化實體、驗證實體的有效性、清除不需要的信息。

(5)、Scrapy引擎(Scrapy Engine):

Scrapy引擎是整個框架的核心.它用來控制調(diào)試器、下載器、爬蟲。實際上，引擎相當(dāng)于計算機(jī)的CPU,它控制著整個流程。

1.3 安裝和使用

安裝

pip install scrapy(或pip3 install scrapy）

使用

創(chuàng)建新項目：scrapy startproject 項目名
創(chuàng)建新爬蟲：scrapy genspider 爬蟲名 域名
啟動爬蟲： scrapy crawl 爬蟲名

二、scrapyd

2.1 簡介

scrapyd是一個用于部署和運行scrapy爬蟲的程序，它允許你通過JSON API來部署爬蟲項目和控制爬蟲運行，scrapyd是一個守護(hù)進(jìn)程，監(jiān)聽爬蟲的運行和請求，然后啟動進(jìn)程來執(zhí)行它們

2.2 安裝和使用

安裝

pip install scrapyd(或pip3 install scrapyd）
pip install scrapyd-client(或pip3 install scrapyd-client）

文件配置

vim /usr/local/python3/lib/python3.7/site-packages/scrapyd/default_scrapyd.conf

啟動

scrapyd

訪問 ip:6800，出現(xiàn)此頁面則啟動成功

三、gerapy

3.1 簡介

Gerapy 是一款分布式爬蟲管理框架，支持 Python 3，基于 Scrapy、Scrapyd、Scrapyd-Client、Scrapy-Redis、Scrapyd-API、Scrapy-Splash、Jinjia2、Django、Vue.js 開發(fā)，Gerapy 可以幫助我們：

• 方便地控制爬蟲運行
• 直觀地查看爬蟲狀態(tài)
• 實時地查看爬取結(jié)果
• 簡單地實現(xiàn)項目部署
• 統(tǒng)一地實現(xiàn)主機(jī)管理
• 輕松地編寫爬蟲代碼

3.2 安裝使用

安裝

pip install gerapy(或pip3 install gerapy）

安裝完后先建立軟鏈接

ln -s /usr/local/python3/bin/gerapy /usr/bin/gerapy

初始化

gerapy init

初始化數(shù)據(jù)庫

cd gerapy
gerapy migrate

報錯sqllite 版本過低

解決辦法：升級sqllite

下載
wget https://www.sqlite.org/2019/sqlite-autoconf-3300000.tar.gz --no-check-certificate
tar -zxvf sqlite-autoconf-3300000.tar.gz

安裝
mkdir /opt/sqlite
cd sqlite-autoconf-3300000
./configure --prefix=/opt/sqlite
make && make install

建立軟連接
mv /usr/bin/sqlite3 /usr/bin/sqlite3_old
ln -s /opt/sqlite/bin/sqlite3 /usr/bin/sqlite3
echo “/usr/local/lib” > /etc/ld.so.conf.d/sqlite3.conf
ldconfig
vim ~/.bashrc 添加 export LD_LIBRARY_PATH=“/usr/local/lib”
source ~/.bashrc

查看當(dāng)前sqlite3的版本
sqlite3 --version

重新初始化gerapy 數(shù)據(jù)庫

配置賬密

gerapy createsuperuser

啟動gerapy

gerapy runserver
gerapy runserver 0.0.0.0:9000  # 外部訪問 9000端口啟動

由于沒有啟動scrapy 這里的主機(jī)未0

啟動scrapyd后，配置scrapyd的主機(jī)信息

配置成功后就會加入到主機(jī)列表里

四、scrapy+scrapyd+gerapy的結(jié)合使用

4.1 創(chuàng)建scrapy項目

進(jìn)到gerapy的項目目錄

cd ~/gerapy/projects/

然后新建一個scrapy項目

scrapy startproject gerapy_test
scrapy genspider baidu_test www.baidu.com

修改scrapy.cfg 如下

在使用scrapyd-deploy 上傳到scrapyd，先建立軟連接再上傳

ln -s /usr/local/python3/bin/scrapyd-deploy /usr/bin/scrapyd-deploy
scrapyd-deploy app -p gerapy_test

4.2 部署打包scrapy項目

然后再gerapy頁面上可以看到我們新建的項目，再打包一下

運行之前還需修改下scrapy代碼

修改完后再運行代碼

4.3 運行

運行成功，本次的部署就ok了！

五、填坑

5.1 運行scrapy爬蟲報錯

解決辦法：修改lzma源代碼如下

try:
    from _lzma import *
    from _lzma import _encode_filter_properties, _decode_filter_properties
except ImportError:
    from backports.lzma import *
    from backports.lzma import _encode_filter_properties, _decode_filter_properties

5.2 scrapyd 運行 scrapy 報錯

解決辦法：降低scrapy版本 pip3 install scrapy==2.5.1

到此這篇關(guān)于scrapy+scrapyd+gerapy 爬蟲調(diào)度框架超詳細(xì)教程的文章就介紹到這了,更多相關(guān)scrapy+scrapyd+gerapy 爬蟲調(diào)度框架內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論