Skip to content

快速开始

一个简单的例子


作为演示, 我们将爬取网站dmoz首页下方的一些统计数据, 如图所示:

dmoz

首先准备好需要爬取的链接,我们把目标连接放入到urls.txt中:

https://dmoz-odp.org

然后准备好一个简单的配置文件(myconfig.cfg):

[Globals]
run_mode = once   

[PipeLine]
url = FileUrls
request = LinearHttpGetRequest
parser = DmozParser
store = CsvStore

[FileUrls]
file_name = urls.txt

[CsvStore]
file_name = dmoz.csv

最后在命令行启动spydy:

$ spydy myconfig.cfg

Your pipeline looks like :
FileUrls ⇨ LinearHttpGetRequest ⇨ DmozParser ⇨ CsvStore

接着, 你会发现在当前目录下面出现了dmoz.csv,并且在dmoz.csv文件中多了一行我们想要获取的数据。

发生了什么?


spydy的工作流在设计上参考了Unix管道, 定义在配置文件[PipeLine]下面的参数其实就是我们spydy会顺序执行的各个步骤, 比如在上面的例子中, spydy的工作流是这样的:

FileUrls -> LinearHttpGetRequest -> DmozParser -> CsvStore

每个步骤的产出就是下一步的输入。

当然, 每个步骤可能需要一些参数, 比如FileUrls需要file_name参数, 所以需要单独地在[FileUrls]下面配置好file_name参数, 如果用户没有提供相应参数, 那么spydy将使用默认参数。

配置文件中[Globals]下面可以设置spydy的全局参数, 比如这里的run_mode被设置了once, 所以在上面例子中, spydy只会将整个工作流执行一次。

一个复杂点的例子


在真实开发中, 我们希望爬虫能够做到: * 兼容使用者的自定义模块&功能, 比如兼容用户自定的parser模块以及log功能 * 支持并发&异步 * 支持数据持久化, 比如将数据写入数据库

OK, 以上这些spydy都可以做到。进入正题之前, 请确保:

  • 有一个可以访问的redis键值存储数据库,当然我们需要在Redis中写入一些URL:
from spydy.urls import RedisListUrls

r = RedisListUrls(list_name="/spider/testurls")
for _ in range(10):
    r.push("https://www.dmoz-odp.org/")  
  • 一个可以访问的关系型数据, 在数据库建立一个名为dmoz的database, 以及一个名为stats的表, 表中需要包含editors, categories, sites, languages这四个字段(都是字符串类型)。

  • 准备好一个文件夹(mypkg), 用于存储用户的自定义模块。mypkg的目录长这样:

- mypkg
  - __init__.py
  - filters.py

在filters.py中写入:

from spydy.filters import CommonFilter

class Myfilter(CommonFilter):
    def drops(self):
        return ["editors"]

    def mutates(self, items):
        print("befor_filter: {}".format(items))
        items["sites"] = "0"
        print("after_filter: {}".format(items))
        return items

最后, 准备好我们的spydy配置文件(myconfig2.cfg):

[Globals]
run_mode = async
nworkers = 4

[PipeLine]
url = RedisListUrls
request = AsyncHttpGetRequest
parser = DmozParser
filter = file:mypkg.filters.Myfilter
store = DbStore

[RedisListUrls]
host = localhost
port = 6379
list_name = /spider/testurls

[DbStore]
connection_url = sqlite:///./tests/files/dmoz.db
table_name = stats

当然, 你的redis连接和数据库连接(使用sqlalchemy的定义方式)和上面的未必相同, 请根据自己的情况进行修改。

万事俱备, 让我们运行spydy吧:

$ spydy myconfig2.cfg

Your pipeline looks like :
RedisListUrls ⇨ AsyncHttpGetRequest ⇨ DmozParser ⇨ Myfilter ⇨ DbStore

befor_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '3,861,202'}
after_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '0'}
befor_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '3,861,202'}
after_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '0'}
befor_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '3,861,202'}
after_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '0'}
befor_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '3,861,202'}
after_mutate: {'categories': '1,031,722', 'languages': '90', 'sites': '0'}
...

发生了什么?


spydy无缝兼容用户自定义模块


在PipeLine中我们加入了自定义的过滤模块(继承自spydy.filters.CommonFilter),由于filter被定义在parser的后面, 所以filter会处理parsers的结果。在这个过程中如上面日志中显示的那样, 结果数据发生了改变(字段editor没了, sites变成了0)。

spydy支持并发


myconfig2.cfg配置文件的[Globals]全局变量中, 我们将run_mode设置成了async, 同时将num_workers设置成了4, 意味着spydy将并发执行四个异步任务, 这也就是为什么上面的这个任务会被快速执行完成。

spydy提供便利的组件


利用spdydy自带的持久化组件, 只要在配置文件中简单的配置参数就能够实现对数据的存储。