爬虫平台(二)–scrapy的内部实现以及实时爬虫的实现

我们接着关于爬虫平台的架构实现和框架的选型(一)继续来讲爬虫框架的架构实现和框架的选型。

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 requestsfrombs4import 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=[]

        fornamein 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 requestsfrombs4import BeautifulSoupfromflaskimport Flask, request, Responseimport 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=[]

        fornamein 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()

    returnResponse(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:

# -*- coding: utf-8 -*-fromconcurrent.futuresimport ThreadPoolExecutor, wait, ALL_COMPLETEDimport requestsfrombs4import BeautifulSoupimport timeclass SyncCrawlSjqqMultiProcessing(object):

    def parser(self,url):

        req = requests.get(url)

        soup = BeautifulSoup(req.text,”lxml”)

        name_list = soup.find(class_=’app-list clearfix’)(‘li’)

        names=[]

        fornamein name_list:

            app_name = name.find(‘a’,class_=”name ofh”).text

            names.append(app_name)

        return namesif__name__==’__main__’:

    url =”https://sj.qq.com/myapp/category.htm?orgame=1&categoryId=114″    executor = ThreadPoolExecutor(max_workers=20)

    syncCrawlSjqqMultiProcessing = SyncCrawlSjqqMultiProcessing()

    t1 = time.time()

    future_tasks=[executor.submit(print(syncCrawlSjqqMultiProcessing.parser(url)))]

    wait(future_tasks, return_when=ALL_COMPLETED)

    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/SyncCrawlSjqqMultiProcessing.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:0.3950002193450928

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。

你或许想:《去原作者写文章的地方

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论