再次分享 pyspider 爬虫框架

[binux]

虽然 252 天前已经分享过，但是第二个里程碑 commit 数已经快到第一个的 2 倍了。。
功能上丰富了非常多，甚至已经部分超过原来不开源的版本了。。
请允许我再次分享一次 pyspider

github 地址： https://github.com/binux/pyspider
demo 地址： http://demo.pyspider.org/ （感谢 @phoenixlzx ）

* python 脚本，可以用任何你喜欢的 html 解析包（内置 pyquery ）
* WEB 界面编写调试脚本，起停脚本，监控执行状态，查看活动历史，获取结果产出
* 支持 MySQL, MongoDB, SQLite
* 支持抓取 JavaScript 的页面
* 组件可替换，支持单机 /分布式部署，支持 Docker 部署
* 强大的调度控制

由于功能太多，更多请参考： https://github.com/binux/pyspider/wiki
pycon 上的 slide： http://www.slideshare.net/roybinux/pyspider-pycon2014beijing

[bitwing]

今天总算看到干货了

[phoenixlzx]

给点一个大大的赞
pycon 没见到真可惜...

[Rabbit52]

牛逼，点赞！

[binux]

@phoenixlzx 给你单独讲一个？

[owlsec]

赞(≧▽≦)

[Rico]

赞,正好最近需要.

[zxy]

赞一个，我特别关注的人😃

[pc10201]

好像比scrapy强大很多，能给个对比评测就好了~

[qianlifeng]

看起来很强大，已STAR

[binux]

@pc10201 主要是很多功能我现在还没闹不明白 scrapy 要怎么实现，如果我出评测的话别人一定说“那是你不会用”。。

而且设计思路上，pyspider 已经是一个架构了，scrapy 是一个包。
就我对 scrapy 的理解

* pyspider 使用 JSON ，不需要预先定义 Item
* 使用真的消息队列，而不需要 Pipeline
* 有真正的链接库，而不是 set集合，能对链接进行重抓调度，抓取更新更灵活方便
* 面向数据包协议编程，而不是面向接口。当需求不满足的时候，甚至可以用其他语言替换某些模块

[regmach]

已收藏
已感谢

[reverland]

readme里https://github.com/binux/pyspider/wiki/Running-pyspider-with-Docker写成https://github.com/binux/pyspider/wiki/Run-pyspider-with-Docker了

好棒！在docker中试下……

[benjiam]

爬虫的几个难点， 链接保存如何，快速检索出已经下载过的链接，bloomfliter太简单了，不用habse这种又貌似没有扩张性，如何区分现在很多带随机数的链接。javascrip生成的页面，js动态跳转，，由ajax和后端交互生成的页面抓起。如果防止对方服务器过载，防止对方主动屏蔽，。 这是我几年前玩的时候遇到的问题，都没解决得太好。

[wibile]

听了你的演讲，东西很不错。不过个人觉得还是scrapy更完善，更强大一些。其实一般的爬虫并不难，用正则手写一个也能跑，而scrapy借鉴django的pipeline和middleware更灵活。对于你的web端自学习抓取数据的，我印象中scrapy的开发团队早就做了类似的东西。
还是那句话，一般的爬虫不难，难的是怎么应付现在的各种反扒机制：高阶js，block IP，captcha，cookie session认证。。。
消息队列用啥？rabbitmq？zeromq？没看到啊

[binux]

数了下
v0.20 比 v0.10 commit多了3.6倍
代码增加了60%

[binux]

@benjiam 1亿以下链接不需要bloomfliter，任何数据库直接查就够。pyspider 是由脚本控制 follow 什么链接，如何区分带随机数的链接在写脚本的时候就能搞定。

@wibile pyspider 不只是pipeline和middleware这么简单，它是真正的队列，真正异构组件可替换。
框架解决的是共性问题，而反扒利用的恰恰是与别人不同。
比如 block IP，架构上是在fetcher前面加一个squid，给squid加大量的代理。所以你会看到我 API 里面有一个参数是是否使用代理。
比如 douban 反反爬，并不是所有的cookie都需要，这样反而让对方知道你是谁。

消息队列是可替换的啊。。只要实现成内置Queue的接口，用什么都一样。比如 libs/rabbitmq.py

[benjiam]

不知道这个框架是如何解决的

[binux]

@benjiam 链接过2亿，请重写 scheduler
带随机数在脚本中自己去掉再提交
js动态可以在 JavaScript 抓取时指定一段js代码，模拟点击动作
防止过载有令牌桶流量控制

反爬请参照上一个回复

[phoenixlzx]

@binux 不敢当。。有空一起出来玩罢

[benjiam]

@binux 这是手动版本的。百度或者Google怎么办？几万个网站，一个个写匹配js吗？随机URL也一样

[kslr]

里面好多我想要的东西，开始拆 T_T

[forever139]

@binux 第一次分享出来的时候，就拉到本地测试过，环境啥的都好了，就是页面没反应，然后搞了几个月的scrapy,这次再试试。

[binux]

@benjiam pyspider 不是通用爬虫啊，你要是想知道通用爬虫怎么解决，来百度我告诉你：）

@forever139 开个ISSUE啊。。ISSUE对项目帮助很大的。。

[Jaycee]

赞。。。

[xujialiang]

不得不说！！！好东西啊！！！！！！！

[zyx89513]

我用过 Portia， 请问和Portia比有哪些不同呢？

[laike9m]

其实你该申请主题演讲的。。

[s12348765]

收藏下。。。

[sohoer]

看到爬虫我就来劲！呵呵！不错

[binux]

@zyx89513
没用过 Portia，看介绍，感觉不是一层的东西，Portia 更像一个规则配置器，下层还是跑的 scrapy。
规则上，还是 http://blog.binux.me/2014/07/how-to-extract-data-from-web/ 里面，“xpath / css选择器 / 正则表达式” 这一层的东西，只是用表单简化配置罢了。

pyspider 虽然也有 自动生成css选择器的辅助工具，但是为了灵活性，或者说，还没有做这一层。

[yakczh]

-r requirements.txt
这里面内容是啥?

[binux]

@laike9m 我觉得介绍一个东西，10分钟提起听讲者兴趣就好了。。又不是经验分享，需要把问题说清楚。。

[binux]

@yakczh 依赖包

[laike9m]

@binux 也对

[glongzh]

上HN了，赞一下！

[yakczh]

http://localhost:5000/debug 这是python的在线编辑器? 通过后台 修改python代码,这个怎么调试呢?

[binux]

@yakczh 后台修改的是pyspider的组件代码？

[shoumu]

能不能更多地分享一些那两个抽取demo的内容

[binux]

@shoumu 你是指how，还是指demo的数据？

[jprovim]

@binux 恭喜,上HN頭條了.

[wusuopuBUPT]

@phoenixlzx 好啊-_-

[wusuopuBUPT]

牛！

[hustlzp]

碉堡了！

[withrock]

我觉得更牛逼的是你博客里写的那个“如何从 WEB 页面中提取信息”
http://blog.binux.me/2014/07/how-to-extract-data-from-web/
micro-data

[Yiph]

MARK

[binux]

@withrock micro-data目前需要在html里面加标签，而且太理想了。。

[staticor]

mark/ 对比着scrapy学习学习。。。

[geew]

已收藏 好东西 不过这star数也是醉了


可能是我看的原因...

[Mrabbit]

谢谢分享，已star

[zhchyu999]

好东西

[oaix]

上HN首页了，恭喜恭喜

[yanchao7511461]

好东西啊 好东西

[shoumu]

@binux how

[binux]

@shoumu 能说的就是blog写的那些了。。

[qloog]

看起来很牛掰的东西~

[binux]

HN 上有人提出要测性能。。于是。。
多线程下 5700 pages/min，作为对比 scrapy bench 4800 pages/min
多进程都不想欺负它了。。

PS：我用了无限制消息队列，流量直接往下一个模块上压。。由于不清楚 scrapy 的实现其实结果不好说。。
https://gist.github.com/binux/67b276c51e988f8e2c31

[crossmaya]

windows上跑不起来，我只是过来说一声。。

[binux]

@crossmaya 我没有windows，前面有人报过issue，然后可以了啊

[crossmaya]

@binux 我从拉一下代码吧，昨天试过，启动后python进程就出错退出了，出错信息具体没看，我在试试。

[crossmaya]

看了一下，可能pycurl模块的问题！

[idy0013]

做一个爬虫社区 大家可以贡献代码，可以获取爬到的数据 有偿获取数据给贡献者

[benjiam]

@binux 仔细看了下你的URL是存数据库的，.....太过了，靠数据库主机键来区别啊

[fly51fly]

原来是同校小友！有机会多交流交流……要是pyspider的文档再完善一点就好了，尤其是自定义配置这块；Mac上试了一下，run.py后5000能访问，不过debug的任务测试run不动，看调试信息报“Uncaught TypeError: Cannot read property 'indexOf' of undefined”，runtest也有错（太长避免撑爆版面先不贴了），还没顾上仔细看

[binux]

@benjiam 本来就是靠 taskid，taskid是定长的，来区别的啊
@fly51fly 你什么环境？

[benjiam]

@binux 我的意思 网站上的url 你认为1亿以下可以存数据库。这样是可以的，但是这样任何url是否已经存在需要靠一次db io.这样的效率很低，如果存在内存用map,这样的结构。内存消耗又非常大。bloomfliter 又有可能丢失某些url. hbase 貌似是google 的解决方案，但是没实践过

[binux]

@benjiam 我觉得没有必要，pyspider是人工写模板的，而不是说页面上所有的链接都需要去检测一次是否在库中。实际上只有列表页有这样的检测。

再加上需要做按照时间判断是否重抓取的检测，bloomfilter 是不够的，还是得查库。

[fly51fly]

我的环境：Mac OS X 10.9.5 下 Python 2.7.5

[aksoft]

真高级啊...

[fumer]

@binux 是作者啊。不错不错。在so上看到了作者的英文也是刚刚的。

[kenvinqu]

太棒了。我在测试，赞一个。 @binux

[gogobeijing]

mac下 Python 2.7.5，执行setup.py报错，如下：

Searching for six>=1.8.0

Reading http://pypi.python.org/simple/six/

Download error: [Errno 60] Operation timed out -- Some packages may not be found!

Couldn't find index page for 'six' (maybe misspelled?)

Scanning index of all packages (this may take a while)

Reading http://pypi.python.org/simple/

Download error: [Errno 60] Operation timed out -- Some packages may not be found!

No local packages or download links found for six>=1.8.0

error: Could not find suitable distribution for Requirement.parse('six>=1.8.0')

[binux]

@gogobeijing 能自己读一下报错吗

[gogobeijing]

缺 six-1.8.0 ，我在 http://pypi.python.org/simple/six/ 上找到 six-1.8.0.tar.gz ，可以自己下载吗？
执行自动安装就是一直说timed out呢。

[laotaitai]

我觉得这pyspider至少在开发测试时用pyspider, 是坨屎. 另外, 文档写得也像坨屎. 我认为Scrapy比你设计更加先进和更加人性化, 你这pyspider连windows版的火车头的1%都不如. 我自己也尝试设计过爬虫框架, 一开始也是觉得scrapy是坨屎, 后面越来越觉得scrapy设计非常先进.

[binux]

@laotaitai 你不具体说屎在哪，别人怎么会明白？

[laoyuan]

快被我自己写的山寨PHP爬虫搞疯了，pypy快给我爬起~

[laoyuan]

呃，还要先去学学Python。。

[monsabre]

低逼格的百毒找楼主这样的脑残写出锁死浏览器毒一坨屎

很正常

[binux]

@Livid 举报 @monsabre 「人身攻击、仇恨、暴力、侮辱性的言辞」

[monsabre]

@Livid 举报 @binux

1.在Livid和聚合数据矛盾时候明显偏向聚合 同时攻击Livid
2.写了一坨屎 导致偶浏览器死掉

[laotaitai]

@monsabre 哎, 兄弟, 咱们可以骂他代码烂, 不能进行人身攻击哈, 毕竟我们用它爬虫又没给钱呢.

[Livid]

@binux 多谢举报。那个账号已经被 Deactivate。一些无意义的回复会被清理。

[laoyuan]

LZ啊，对于那种列表性质的页面，一次crawl() 得到多条result 的情况，只能override on_result() 么？有没有方便一点的办法入库多条result 呢？

[laoyuan]

太好了，在Tutorial Level 1 里碰到的问题今天看Level 2 就解决了

[laoyuan]

http://demo.pyspider.org/debug/tutorial_twitch
parse_rendered_page() 报 error: error

[laoyuan]

原来一次crawl() 得到多条result 用message 来解决，今天正式学完文档了。学习笔记我发了个帖子算是反馈吧：/t/187256

[laoyuan]

@Livid 上一楼全角冒号后面没解析出来 /t/187256

[694380889]

这个可以爬到哪些东西 谁能具体说下 只能爬到可以看见的东西吗

[binux]

@694380889 确实只能爬到可以「看见」的东西，这个「看见」是 http 层的「看见」。

[WeiEast]

用js 去click() 提交表单不起作用。是不是不支持js点击事件。我的代码 http://demo.pyspider.org/debug/agoda

[yuwei162]

@binux 你好，最近使用 pyspider ，碰到一个问题：
debug 模式下存在的文件，在 running 的时候提示文件不存在。
代码示例如下：
file = "/home/pyspider/myseeds"
file2 = "/home/pyspider/next"

@every (minutes=24 * 60 )
def on_start (self ):
print os.getcwd ()
print os.path.dirname (self.file )
print "file: exist=%s" % os.path.exists (self.file.strip ())
print os.path.abspath (self.file )

#open (self.file2, 'w') #通过该模式写文件，在 runing 中可以被识别出来
print "file2: exist=%s" % os.path.exists (self.file2 )
print os.path.abspath (self.file2 )
debug 模式下输出为：
/home/pyspider
/home/pyspider
file: exist=True
/home//pyspider/myseeds
file2: exist=True
/home/pyspider/next
running 的时候输出为：
/home/pyspider
/home/pyspider
file: exist=False
/home/pyspider/myseeds
file2: exist=True
/home/pyspider/next
不知道问题是否说明白了，还望帮忙看一下，谢谢。

[binux]

@yuwei162 debug 时是由 WEBUI 执行的脚本,而正式执行时,是由 processor 执行的脚本,他们可能不在同一台机器上.

[yuwei162]

@binux 是啊！一语道破天机，谢谢。
对了，我最近一直都在迷惑：
第一：如果不通过 ui ，是否可以直接运行脚本提交任务?
第二：如果部署多个 processor 的话，如果我像上面执行一个任务的话，是不能提前预选 processor 吧。
感觉我提的两个问题是一个，还请帮忙解答下，谢谢。

[binux]

@yuwei162
1 、什么意思？你这里的任务是 task 还是 project ？现在只能通过模拟 http 请求，或者直接插数据库（记得通知 scheduler 更新），才能通过脚本进行。
2 、不能，本来就是分布式设计，如果要执行 processor ，需要脚本获取 processor 的部署信息。

[explist]

@binux 网易云音乐怎么抓取？

[Muse666]

楼主 怎么利用 pyspider 对同一个网页实现每隔 15min 抓取一次数据啊 求翻牌 万很感谢