You are here:  Home » Python » 运行Scrapy爬虫蜘蛛的方法大全(45)python Scrapy教程1.51以上版本

本节介绍使用Scrapy时的常见做法。这些内容涉及许多主题,并且通常不属于任何其他特定部分。

 

从脚本运行Scrapy

您可以使用API从脚本运行Scrapy,而不是运行Scrapy的典型方法。scrapy crawl

请记住,Scrapy是建立在Twisted异步网络库之上的,因此您需要在Twisted reactor中运行它。

您可以用来运行蜘蛛的第一个实用程序是 scrapy.crawler.CrawlerProcess。该类将为您启动Twisted reactor,配置日志记录并设置关闭处理程序。此类是所有Scrapy命令使用的类。

这是一个示例,展示如何使用它运行单个蜘蛛。

import scrapy
from scrapy.crawler import CrawlerProcess

class MySpider(scrapy.Spider):
    # Your spider definition
    ...

process = CrawlerProcess({
    'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
})

process.crawl(MySpider)
process.start() # the script will block here until the crawling is finished

 

请务必查看CrawlerProcess文档以熟悉其使用详细信息。

如果您在Scrapy项目中,则可以使用一些其他帮助程序在项目中导入这些组件。您可以自动导入传递其名称的蜘蛛CrawlerProcess,并用于get_project_settings获取Settings 项目设置的实例。

以下是使用testspiders 项目作为示例的如何执行此操作的工作示例。

from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings

process = CrawlerProcess(get_project_settings())

# 'followall' is the name of one of the spiders of the project.
process.crawl('followall', domain='scrapinghub.com')
process.start() # the script will block here until the crawling is finished

 

还有另一个Scrapy实用程序可以更好地控制爬网过程:scrapy.crawler.CrawlerRunner。此类是一个瘦包装程序,它封装了一些简单的帮助程序来运行多个爬网程序,但它不会以任何方式启动或干扰现有的反应堆。

使用此类,应在安排蜘蛛后显式运行reactor。如果您的应用程序已经在使用Twisted并且您想在同一个反应器中运行Scrapy,建议您使用CrawlerRunner 而不是CrawlerProcess

请注意,在蜘蛛完成后您还必须自己关闭Twisted反应器。这可以通过向CrawlerRunner.crawl方法返回的延迟添加回调来实现。

以下是其使用示例,以及在MySpider完成运行后手动停止反应器的回调。

from twisted.internet import reactor
import scrapy
from scrapy.crawler import CrawlerRunner
from scrapy.utils.log import configure_logging

class MySpider(scrapy.Spider):
    # Your spider definition
    ...

configure_logging({'LOG_FORMAT': '%(levelname)s: %(message)s'})
runner = CrawlerRunner()

d = runner.crawl(MySpider)
d.addBoth(lambda _: reactor.stop())
reactor.run() # the script will block here until the crawling is finished

 

也可以看看扭曲反应堆概述。

 

在同一个进程中运行多个蜘蛛

默认情况下,Scrapy在您运行时为每个进程运行一个蜘蛛。但是,Scrapy支持使用内部API为每个进程运行多个蜘蛛。scrapy crawl

这是一个同时运行多个蜘蛛的示例

import scrapy
from scrapy.crawler import CrawlerProcess

class MySpider1(scrapy.Spider):
    # Your first spider definition
    ...

class MySpider2(scrapy.Spider):
    # Your second spider definition
    ...

process = CrawlerProcess()
process.crawl(MySpider1)
process.crawl(MySpider2)
process.start() # the script will block here until all crawling jobs are finished

 

使用相同的示例CrawlerRunner

import scrapy
from twisted.internet import reactor
from scrapy.crawler import CrawlerRunner
from scrapy.utils.log import configure_logging

class MySpider1(scrapy.Spider):
    # Your first spider definition
    ...

class MySpider2(scrapy.Spider):
    # Your second spider definition
    ...

configure_logging()
runner = CrawlerRunner()
runner.crawl(MySpider1)
runner.crawl(MySpider2)
d = runner.join()
d.addBoth(lambda _: reactor.stop())

reactor.run() # the script will block here until all crawling jobs are finished

 

相同的例子,但通过链接延迟顺序运行蜘蛛

from twisted.internet import reactor, defer
from scrapy.crawler import CrawlerRunner
from scrapy.utils.log import configure_logging

class MySpider1(scrapy.Spider):
    # Your first spider definition
    ...

class MySpider2(scrapy.Spider):
    # Your second spider definition
    ...

configure_logging()
runner = CrawlerRunner()

@defer.inlineCallbacks
def crawl():
    yield runner.crawl(MySpider1)
    yield runner.crawl(MySpider2)
    reactor.stop()

crawl()
reactor.run() # the script will block here until the last crawl call is finished

 

也可以看看从脚本运行Scrapy

 

分布式抓取

Scrapy不提供以分布式(多服务器)方式运行爬网的任何内置工具。但是,有一些方法可以分发爬网,这取决于您计划如何分发爬网。

如果你有很多蜘蛛,分配负载的明显方法是设置许多Scrapyd实例并在其中分配蜘蛛运行。

如果你想通过许多机器运行单个(大)蜘蛛,你通常做的是分区网址以便抓取并将它们发送到每个单独的蜘蛛。这是一个具体的例子:

首先,准备要抓取的网址列表,并将它们放入单独的文件/网址中:

http://somedomain.com/urls-to-crawl/spider1/part1.list
http://somedomain.com/urls-to-crawl/spider1/part2.list
http://somedomain.com/urls-to-crawl/spider1/part3.list

然后你在3个不同的Scrapyd服务器上发射蜘蛛。蜘蛛会收到一个(蜘蛛)参数part,其中包含要爬网的分区的编号:

curl http://scrapy1.mycompany.com:6800/schedule.json -d project=myproject -d spider=spider1 -d part=1
curl http://scrapy2.mycompany.com:6800/schedule.json -d project=myproject -d spider=spider1 -d part=2
curl http://scrapy3.mycompany.com:6800/schedule.json -d project=myproject -d spider=spider1 -d part=3

 

避免被禁止

一些网站实施某些措施来防止机器人抓取它们,具有不同程度的复杂性。绕过这些措施可能既困难又棘手,有时可能需要特殊的基础设施。如有疑问,请考虑联系商业支持。

以下是处理这些类型网站时要记住的一些提示:

  • 从浏览器中的众所周知的池中轮换您的用户代理(谷歌周围获取它们的列表)
  • 禁用cookie(请参阅参考资料COOKIES_ENABLED),因为有些网站可能会使用cookie来发现僵尸程
  • 使用下载延迟(2或更高)。见DOWNLOAD_DELAY设定。
  • 如果可能,请使用Google缓存来抓取网页,而不是直接点击网站
  • 使用一组旋转IP。例如,免费的Tor项目或像ProxyMesh这样的付费服务。一个开源替代品是scrapoxy,一个超级代理,你可以附加自己的代理。
  • 使用一个高度分布的下载器,可以在内部绕过禁令,因此您可以专注于解析干净的页面。这种下载器的一个例子是 Crawlera

如果您仍无法阻止机器人被禁止,请考虑联系 商业支持。

评论被关闭。