基于 asyncio 的异步爬虫框架,有兴趣来看看 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
xiaozizayang
V2EX    Python

基于 asyncio 的异步爬虫框架,有兴趣来看看

  •  
  •   xiaozizayang
    howie6879 2018-09-10 08:49:15 +08:00 6119 次点击
    这是一个创建于 2590 天前的主题,其中的信息可能已经有所发展或是发生改变。

    轻量异步爬虫框架 aspider ,基于 asyncio

    介绍

    对于单页面,只要实现框架定义的 Item 就好:

    import asyncio from aspider import AttrField, TextField, Item class HackerNewsItem(Item): target_item = TextField(css_select='tr.athing') title = TextField(css_select='a.storylink') url = AttrField(css_select='a.storylink', attr='href') async def clean_title(self, value): return value items = asyncio.get_event_loop().run_until_complete(HackerNewsItem.get_items(url="https://news.ycombinator.com/")) for item in items: print(item.title, item.url) 
     Notorious ‘ Hijack Factory ’ Shunned from Web https://krebsonsecurity.com/2018/07/notorious-hijack-factory-shunned-from-web/ ...... 

    对于多页面的网站,使用 Spider 即可:

    import aiofiles from aspider import AttrField, TextField, Item, Spider class HackerNewsItem(Item): target_item = TextField(css_select='tr.athing') title = TextField(css_select='a.storylink') url = AttrField(css_select='a.storylink', attr='href') async def clean_title(self, value): return value class HackerNewsSpider(Spider): start_urls = ['https://news.ycombinator.com/', 'https://news.ycombinator.com/news?p=2'] async def parse(self, res): items = await HackerNewsItem.get_items(html=res.html) for item in items: async with aiofiles.open('./hacker_news.txt', 'a') as f: await f.write(item.title + '\n') if __name__ == '__main__': HackerNewsSpider.start() 
    [2018-07-11 17:50:12,430]-aspider-INFO Spider started! [2018-07-11 17:50:12,430]-Request-INFO <GET: https://news.ycombinator.com/> [2018-07-11 17:50:12,456]-Request-INFO <GET: https://news.ycombinator.com/news?p=2> [2018-07-11 17:50:14,785]-aspider-INFO Time usage: 0:00:02.355062 [2018-07-11 17:50:14,785]-aspider-INFO Spider finished! 

    同样支持 js 加载:

    request = Request("https://www.jianshu.com/", load_js=True) respOnse= asyncio.get_event_loop().run_until_complete(request.fetch()) print(response.body) 

    在 Item 以及 Spider 中要是想加载 js,同样只要带上 load_js=True 即可

    项目 Github 地址:aspider

    32 条回复    2018-10-08 11:10:28 +08:00
    jy02201949
        1
    jy02201949  
       2018-09-1 09:12:11 +08:00
    支持 js 加载啊,看起来的
    lixuda
        2
    lixuda  
       2018-09-10 09:13:17 +08:00
    收藏下哈
    d0m2o08
        3
    d0m2o08  
       2018-09-10 09:17:42 +08:00   1
    已 star
    xiaozizayang
        4
    xiaozizayang  
    OP
       2018-09-10 09:19:53 +08:00
    @d0m2o08 哈哈谢谢
    xiaozizayang
        5
    xiaozizayang  
    OP
       2018-09-10 09:20:07 +08:00
    @lixuda 谢~
    smh2208
        6
    smh2208  
       2018-09-10 09:27:27 +08:00   1
    已 star, 希望能讲下做一个这样的框架的实现思路是怎样的,想学习一下如何写框架
    xiaozizayang
        7
    xiaozizayang  
    OP
       2018-09-10 09:29:41 +08:00
    @smh2208 有兴趣可以看看源码一起开发
    aneureka
        8
    aneureka  
       2018-09-10 1:02:39 +08:00 via Android
    楼主有开个讨论群吗
    xiaozizayang
        9
    xiaozizayang  
    OP
       2018-09-10 10:03:50 +08:00
    @aneureka 有问题可邮件或者 issue
    hzm0318hzm
        10
    hzm0318hzm  
       2018-09-10 11:28:52 +08:00
    最近在学 py,有空看看先 star 了
    xiaozizayang
        11
    xiaozizayang  
    OP
       2018-09-10 11:37:13 +08:00
    @hzm0318hzm 共同学习
    sugarguo
        12
    sugarguo  
       2018-09-10 15:16:43 +08:00   1
    提个小 bug

    文档里面的 spider 部分,res 没有 html,那个应该是 body,example 里面是对的
    xiaozizayang
        13
    xiaozizayang  
    OP
       2018-09-10 15:51:40 +08:00
    @sugarguo 已经改了 感谢
    beforeuwait
        14
    beforeuwait  
       2018-09-10 16:50:53 +08:00
    能支持 js,这个哒
    kuokyong
        15
    kuokyong  
       2018-09-10 17:56:06 +08:00
    有兴趣可以看我的项目。https://github.com/kkyon/botflow
    封装了 asyncio 细节。
    Botflow is a Python Fast Data driven programming framework for Data pipeline work( Web Crawler,Machine Learning,Quantitative Trading.etc) http://docs.botflow.org/
    smh2208
        16
    smh2208  
       2018-09-10 18:06:04 +08:00 via Android
    @xiaozizayang 好的
    xiaozizayang
        17
    xiaozizayang  
    OP
       2018-09-10 18:10:42 +08:00
    @kuokyong 好的大佬 我看看
    zeromake
        18
    zeromake  
       2018-09-10 20:13:45 +08:00 via Android
    为啥我看代码排版是坨屎啊,不扯淡了,我工作还没找到合适的呢,你啥时候准备从那个公司溜啊。
    hwywhywl
        19
    hwywhywl  
       2018-09-11 22:01:13 +08:00   1
    @xiaozizayang window 平台下报错
    Traceback (most recent call last):
    File "weibospider.py", line 26, in <module>
    HackerNewsSpider.start()
    File "C:\Users\hwywhywl\StudioProjects\weibo_splider\lib\site-packages\aspider\spider.py", line 92, in start
    spider_ins.loop.add_signal_handler(_signal, lambda: asyncio.ensure_future(spider_ins.stop(_signal)))
    File "C:\Users\hwywhywl\Anaconda3\lib\asyncio\events.py", line 499, in add_signal_handler
    raise NotImplementedError
    NotImplementedError

    ioloop.add_signal_handler 在 window 下不支持,判断一下吧
    xiaozizayang
        20
    xiaozizayang  
    OP
       2018-09-12 08:16:34 +08:00
    @hwywhywl 收到 谢谢 我来修复哈
    xiaozizayang
        21
    xiaozizayang  
    OP
       2018-09-12 08:16:55 +08:00
    @hwywhywl 如果可以的话麻烦提个 issue
    hwywhywl
        22
    hwywhywl  
       2018-09-12 19:11:44 +08:00
    @xiaozizayang 已提
    xiaozizayang
        23
    xiaozizayang  
    OP
       2018-09-12 22:30:39 +08:00
    @hwywhywl 修复了
    sugarguo
        24
    sugarguo  
       2018-09-18 11:45:45 +08:00
    我又来了,先回复一个再定位

    可能是个 bug:
    start_urls 如果有不能匹配规则的链接,后面的所有连接全部报错
    例如:
    http://www.example.com/article/123.html
    http://www.example.com/article/123.html
    http://www.example.com/article/123.html
    http://www.example.com/article/123.html
    sugarguo
        25
    sugarguo  
       2018-09-18 11:48:10 +08:00
    emmm...还没打完就发出去了

    例如
    http://域名 /article/123.html
    http://域名 /article/124.html
    http://域名 /
    http://域名 /article/126.html
    http://域名 /article/127.html

    这样的 urls,第三个没有获取,会导致最后两个报错
    我再定位下
    xiaozizayang
        26
    xiaozizayang  
    OP
       2018-09-18 13:57:35 +08:00
    @sugarguo 你好,感谢你提的 bug,不过我不大明白你的意思,可以整理下再结合具体代码提哥 issue 么?
    lixuda
        27
    lixuda  
       2018-10-06 21:47:15 +08:00 via Android
    pyppeteer 安装是不是很麻烦?必须 fq ? win10 下
    xiaozizayang
        28
    xiaozizayang  
    OP
       2018-10-07 11:20:23 +08:00
    @lixuda 我这边安装还好,或者你可以手动安装,然后你可以关注下我正在为 aspider 编写的 splash 插件,也可以方便的加载 js https://github.com/aspider-plugins/aspider-splash
    lixuda
        29
    lixuda  
       2018-10-07 13:11:43 +08:00
    @xiaozizayang 我用 http://npm.taobao.org/mirrors 镜像下载。好的,你的框架不错,试用中
    xiaozizayang
        30
    xiaozizayang  
    OP
       2018-10-07 21:08:57 +08:00
    @lixuda 好的 欢迎提意见
    lixuda
        31
    lixuda  
       2018-10-08 10:35:21 +08:00
    @xiaozizayang request = Request("http://www.lutec.com/", load_js=True),直接 timeout,无法退出,是否要设置什么参数
    xiaozizayang
        32
    xiaozizayang  
    OP
       2018-10-08 11:10:28 +08:00
    @lixuda 你直接 通过里面的二维码进交流群吧 来讨论下你的问题 https://github.com/howie6879/aspider/blob/master/docs/cn/README.md
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     3044 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 26ms UTC 00:25 PVG 08:25 LAX 17:25 JFK 20:25
    Do have faith in what you're doing.
    ubao snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86