spiderman

基于 scrapy-redis 的通用分布式爬虫框架

项目地址 github.com/TurboWay/sp…

---

目录

• 效果图

  • 采集效果
  • 爬虫元数据
  • 分布式爬虫运行
  • 单机爬虫运行
  • 附件下载
  • kafka实时采集监控示例

• 介绍

  • 功能
  • 原理说明

• 快速开始

  • 下载安装
  • 如何开发一个新爬虫
  • 如何进行补爬
  • 如何下载附件
  • 如何扩展分布式爬虫
  • 如何管理爬虫元数据
  • 如何配合kafka做实时采集监控
  • 如何使用爬虫api

• 其它

  • 注意事项
  • hive环境问题
  • 更新日志
  • TODO

demo采集效果

爬虫元数据

cluster模式

standalone模式

附件下载

kafka实时采集监控

功能

• 自动建表

• 自动生成爬虫代码，只需编写少量代码即可完成分布式爬虫

• 自动存储元数据，分析统计和补爬都很方便

• 适合多站点开发，每个爬虫独立定制，互不影响

• 调用方便，可以根据传参自定义采集的页数以及启用的爬虫数量

• 扩展简易，可以根据需要选择采集模式，单机 standalone (默认) 或者 分布式cluster

• 采集数据落地方便，支持多种数据库，只需在 spider 中启用相关的管道

  关系型

  • mysql
  • sqlserver
  • oracle
  • postgresql
  • sqlite3

  非关系型

  • hbase
  • mongodb
  • elasticsearch
  • hdfs
  • hive
  • datafile, 比如 csv

• 反爬处理简易，已封装各种反爬中间件

  • 随机 UserAgent
  • 定制请求头 Headers
  • 定制 COOKIEs 池
  • 定制代理 ip
  • 在 scrapy 中使用 requests
  • Payload 请求
  • 使用 Splash 渲染 js

原理说明

1. 消息队列使用 redis，采集策略使用广度优先，先进先出
2. 每个爬虫都有一个 job 文件，使用 job 来生成初始请求类 ScheduledRequest，并将其推送到 redis；

初始请求全部推到 redis 后，运行 spider 解析生成数据 并迭代新的请求到redis, 直到 redis 中的全部请求被消耗完

# scrapy_redis请求类
class ScheduledRequest:

    def __init__(self, **kwargs):
        self.url = kwargs.get('url')                 # 请求url
        self.method = kwargs.get('method', 'GET')   # 请求方式 默认get
        self.callback = kwargs.get('callback')  # 回调函数，指定spider的解析函数
        self.body = kwargs.get('body')  # body, method为post时, 作为 post表单
        self.meta = kwargs.get('meta')  # meta, 携带元数据，比如 pagenum

3. item 类定义表名、字段名、排序号(自定义字段顺序)、注释说明(便于管理元数据)、字段类型(仅关系型数据库管道有效)

class zhifang_list_Item(scrapy.Item):
    #  define table
    tablename = 'zhifang_list'
    tabledesc = '列表'
    # define the fields for your item here like:
    # 关系型数据库，可以自定义字段的类型、长度，默认 VARCHAR(length=255)
    # colname = scrapy.Field({'idx': 1, 'comment': '名称', 'type': VARCHAR(255)})
    tit = scrapy.Field({'idx': 1, 'comment': '房屋标题'})
    txt = scrapy.Field({'idx': 2, 'comment': '房屋描述'})
    tit2 = scrapy.Field({'idx': 3, 'comment': '房屋楼层'})
    price = scrapy.Field({'idx': 4, 'comment': '房屋价格'})
    agent = scrapy.Field({'idx': 5, 'comment': '房屋中介'})
    # default column
    detail_full_url = scrapy.Field({'idx': 100, 'comment': '详情链接'})  # 通用字段
    pkey = scrapy.Field({'idx': 101, 'comment': 'md5(detail_full_url)'})  # 通用字段
    pagenum = scrapy.Field({'idx': 102, 'comment': '页码'})  # 通用字段

4. 去重策略，默认不去重，每次采集独立，即每次启动 job 都会清空上一次未完成的 url，并且不保留 redis 中上一次已采集的 url 指纹。 如需调整可以修改以下配置

• job 文件（单个爬虫）

class zhifang_job(SPJob):

    def __init__(self):
        super().__init__(spider_name=zhifang_Spider.name)
        # self.delete()   # 如需去重、增量采集，请注释该行

• spider 文件（单个爬虫）

    custom_settings = {
        ...,
        'DUPEFILTER_CLASS': 'scrapy_redis.dupefilter.RFPDupeFilter',
        'SCHEDULER_PERSIST': True, # 开启持久化
    }
   
    def get_callback(self, callback):
        # url去重设置：True 不去重 False 去重
        callback_dt = {
            'list': (self.list_parse, False),
            'detail': (self.detail_parse, False),
        }
        return callback_dt.get(callback)

• 布隆过滤器。

当采集的数据量很大时，可以使用布隆过滤器，该算法占用空间小且可控，适合海量数据去重。 但是该算法会有漏失率，对爬虫而言就是漏爬。可以通过调整过滤器负载个数、内存配置、哈希次数以降低漏失率。 默认 1 个过滤器，256 M 内存，使用 7 个 seeds，这个配置表示漏失概率为 8.56e-05 时，可满足 0.93 亿条字符串的去重。当漏失率为 0.000112 时，可满足 0.98 亿条字符串的去重。调参与漏失率参考

    custom_settings = {
        ...,
        'DUPEFILTER_CLASS': 'SP.bloom_dupefilter.BloomRFDupeFilter',  # 使用布隆过滤器
        'SCHEDULER_PERSIST': True,  # 开启持久化
        'BLOOM_NUM': 1,  # 布隆过滤器负载个数，当内存达到限制时，可以增加负载个数
        'BLOOM_MEM': 256,  # 布隆过滤器内存大小（单位 M），内存最大 512 M （因为 redis string 最大只能 512 M）
        'BLOOM_K': 7,  # 布隆过滤器哈希次数，次数越少，去重越快，但是漏失率越高
    }
   
    def get_callback(self, callback):
        # url去重设置：True 不去重 False 去重
        callback_dt = {
            'list': (self.list_parse, False),
            'detail': (self.detail_parse, False),
        }
        return callback_dt.get(callback)

下载安装

1. git clone github.com/TurboWay/sp…; cd spiderman;
2. 【不使用虚拟环境的话，可以跳过步骤23】virtualenv -p /usr/bin/python3 venv
3. 【不使用虚拟环境的话，可以跳过步骤23】source venv/bin/activate
4. pip install -i pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
5. 修改配置 vi SP/settings.py
6. 运行demo示例 python SP_JOBS/zhifang_job.py

如何开发一个新爬虫

运行 easy_scrapy.py 会根据模板自动生成以下代码文件，并自动在编辑器打开 spidername_job.py 文件；

类别	路径	说明
job	SP_JOBS/spidername_job.py	编写初始请求
spider	SP/spiders/spidername.py	编写解析规则，产生新的请求
items	SP/items/spidername_items.py	定义表名字段

以上代码文件编写完成后，直接执行 python SP_JOBS/spidername_job.py

或者动态传参（参数说明 -p 采集页数， -n 启用爬虫数量） python SP_JOBS/spidername_job.py -p 10 -n 1

如何进行补爬

运行 easy_scrapy.py 会根据模板自动生成以下代码文件，并自动在编辑器打开 spidername_job_patch.py 文件；

类别	路径	说明
job	SP_JOBS/spidername_job_patch.py	编写补爬请求

以上代码文件编写完成后，直接执行 python SP_JOBS/spidername_job_patch.py

如何下载附件

提供两种方式下载：

• 1、直接在 spider 中启用附件下载管道
• 2、使用自定义的下载器 execute_download.py 传参下载

jpg/pdf/word...等各种各样的文件，统称为附件。 下载附件是比较占用带宽的行为，所以在大规模采集中，最好是先把结构化的表数据、附件的元数据入库， 保证数据的完整性，然后再根据需要，通过下载器进行附件下载。

如何扩展分布式爬虫

采集模式有两种(在 settings 控制)： 单机 standalone(默认) 和 集群分布式

如果想切换成分布式爬虫，需要在 spiderman/SP/settings.py 中启用以下配置

注意：前提是 所有SLAVE机器的爬虫代码一致、python环境一致，都可以运行爬虫demo

# 集群模式 False 单机 (默认);  True 分布式 需要配置下方的 slaves
CLUSTER_ENABLE = True

配置名称	意义	示例
SLAVES	【二选一】爬虫机器配置列表	[{'host': '172.16.122.12', 'port': 22, 'user': 'spider', 'pwd': 'spider'}， {'host': '172.16.122.13', 'port': 22, 'user': 'spider', 'pwd': 'spider'} ]
SLAVES_BALANCE	【二选一】爬虫机器配置(ssh负载均衡)	{'host': '172.16.122.11', 'port': 2202, 'user': 'spider', 'pwd': 'spider'}
SLAVES_ENV	【可选】爬虫机器虚拟环境路径	/home/spider/workspace/spiderman/venv
SLAVES_WORKSPACE	【必填】爬虫机器代码工程路径	/home/spider/workspace/spiderman

如何管理爬虫元数据

运行 easy_meta.py 自动生成当前项目所有爬虫的元数据, 默认记录到sqlite meta.db, 可以在 setting 中自行配置;

# 爬虫 meta
META_ENGINE = 'sqlite:///meta.db'

元数据表meta字典如下：

字段名	类型	注释
spider	varchar(50)	爬虫名
spider_comment	varchar(100)	爬虫描述
tb	varchar(50)	表名
tb_comment	varchar(100)	表描述
col_px	int	字段序号
col	varchar(50)	字段名
col_comment	varchar(100)	字段描述
author	varchar(20)	开发人员
addtime	varchar(20)	开发时间
insertime	varchar(20)	元数据更新时间

如何配合kafka做实时采集监控

1. 配置 kafka（修改 setting 的 KAFKA_SERVERS）
2. 自定义监控规则（修改编写 kafka_mon.py , 并运行该脚本程序, 开始监控）
3. 在 spider 中启用 kafka 管道（运行爬虫 job , 开始采集）

如何使用爬虫api

直接运行 api.py，然后可以通过 http://127.0.0.1:2021/docs 查看相关的 api 文档

注意事项

1. 字段名称不能使用 tablename、isload、ctime、bizdate、spider 等字段，因为这些字段被作为通用字段，避免冲突
2. items 文件每个字段建议添加注释，生成元数据时，会将注释导入到元数据表，便于管理爬虫

hive环境问题

在 windows 环境下，使用 python3 连接 hive 会有很多坑，所以使用 hdfs 管道时，hive 自动建表功能默认关闭，便于部署。 假如需要启用 hive 自动建表功能，请进行如下操作：

1. pip install -i pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
2. pip install --no-deps thrift-sasl==0.2.1
3. 验证环境，执行 SP.utils.ctrl_hive

如果执行成功，说明 hive 环境准备完毕，可以直接启用 hive 自动建表功能；如果遇到问题，可以参考 【大数据】windows 下python3连接hive

更新日志

日期	更新内容
20200803	1.使用更优雅的方式来生成元数据; 2.管道函数传参的写法调整; 3.附件表通用字段更名：下载状态 (isload => status)
20200831	1.解决数据入库失败时，一直重试入库的问题; 2.所有管道优化，入库失败时，自动切换成逐行入库，只丢弃异常记录
20201104	1.requests 中间件支持 DOWNLOAD_TIMEOUT、DOWNLOAD_DELAY
20201212	1.payload 中间件支持 DOWNLOAD_TIMEOUT、DOWNLOAD_DELAY; 2.get_sp_COOKIEs 方法优化，使用轻量级的 splash 替换 selenium; 3.md 的原理部分增加去重策略的说明
20210105	1.增加布隆过滤器
20210217	1.elasticsearch 管道调整，兼容 elasticsearch7 以上版本，直接使用表名作为索引名
20210314	1.所有反爬中间件合并到 SPMiddleWare
20210315	1.使用更优雅的方式生成 job 初始请求; 2.headers 中间件优化，减少 redis 的内存占用; 3.删除 COOKIE 中间件，COOKIE 只是 headers 里面的一个值，可以直接使用 headers 中间件; 4.删除 Payload 中间件，Payload 请求可以直接使用 requests 中间件 5.增加 COOKIEsPool 中间件，用于需要多个账号随机切换采集的场景
20210317	1.增加可以脱离 scrapy 独立工作的、支持分布式的附件下载器
20210318	1.增加 api 服务