Asyncpy协程爬虫框架

李玺

发布于 2021-11-22 11:34:57

4400

文章被收录于专栏：爬虫逆向案例爬虫逆向案例

Asyncpy是我基于asyncio和aiohttp开发的一个轻便高效的爬虫框架，采用了scrapy的设计模式，参考了github上一些开源框架的处理逻辑。

github: https://github.com/lixi5338619/asyncpy

pypi: https://pypi.org/project/asyncpy/

asyncpy的架构及流程

安装需要的环境

python版本需要 >=3.6

依赖包： ‘lxml’, ‘parsel’,‘docopt’, ‘aiohttp’

安装命令：

pip install asyncpy

如果安装报错：

ERROR: Could not find a version that satisfies the requirement asyncpy (from versions: none)
ERROR: No matching distribution found for asyncpy

请查看你当前的python版本，python版本需要3.6以上。

还无法下载的话，可以到 https://pypi.org/project/asyncpy/ 下载最新版本的 whl 文件。

点击Download files，下载完成之后使用cmd安装：

pip install asyncpy-版本-py3-none-any.whl

创建一个爬虫文件

在命令行输入asyncpy --version 查看是否成功安装。

创建demo文件，使用cmd命令：

asyncpy genspider demo

全局settings

settings配置	简介
CONCURRENT_REQUESTS	并发数量
RETRIES	重试次数
DOWNLOAD_DELAY	下载延时
RETRY_DELAY	重试延时
DOWNLOAD_TIMEOUT	超时限制
USER_AGENT	用户代理
LOG_FILE	日志路径
LOG_LEVEL	日志等级
USER_AGENT	全局UA
PIPELINES	管道
MIDDLEWARE	中间件

如果要启动全局settings的话，需要在spider文件中通过settings_attr 传入settings：

import settings
class DemoSpider(Spider):
    name = 'demo'
    start_urls = []
    settings_attr = settings

自定义settings

如果需要对单个爬虫文件进行settings配置，可以像scrapy一样在爬虫文件中引入 custom_settings。

他与settings_attr 并不冲突。

class DemoSpider2(Spider):
    name = 'demo2'

    start_urls = []

    concurrency = 30                                # 并发数量
    
    custom_settings = {
        "RETRIES": 1,                               # 重试次数
        "DOWNLOAD_DELAY": 0,                        # 下载延时
        "RETRY_DELAY": 0,                           # 重试延时
        "DOWNLOAD_TIMEOUT": 10,                     # 超时时间
        "LOG_FILE":"demo2.log"						# 日志文件
            }

生成日志文件

在settings文件中，加入：

LOG_FILE = './asyncpy.log'
LOG_LEVEL = 'DEBUG'

如果需要对多个爬虫生成多个日志文件，

需要删除settings中的日志配置，在custom_settings中重新进行配置。

自定义Middleware中间件

在创建的 demo_middleware 文件中，增加新的功能。

可以根据 request.meta 和spider 的属性进行针对性的操作。

from asyncpy.middleware import Middleware

middleware = Middleware()

@middleware.request
async def UserAgentMiddleware(spider, request):
    if request.meta.get('valid'):
        print("当前爬虫名称:%s"%spider.name)
        ua = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36"
        request.headers.update({"User-Agent": ua})


@middleware.request
async def ProxyMiddleware(spider, request):
    if spider.name == 'demo':
        request.aiohttp_kwargs.update({"proxy": "http://123.45.67.89:0000"})

方法1、去settings文件中开启管道。（版本更新，暂时请选择2方法）

MIDDLEWARE = [
'demo_middleware.middleware',
            ]

方法2、在start()传入middleware:

from middlewares import middleware
DemoSpider.start(middleware=middleware)

自定义Pipelines管道

如果你定义了item(目前只支持dict字典格式的item)，并且settings 里面启用了pipelines 那么你就可以在pipelines 里面编写连接数据库，插入数据的代码。

在spider文件中：

	 item = {}
	 item['response'] = response.text
	 item['datetime'] = '2020-05-21 13:14:00'
	 yield item

在pipelines.py文件中：

class SpiderPipeline():

    def __init__(self):
        pass

    def process_item(self, item, spider_name):
        pass

方法1、settings中开启管道：（版本更新，暂时请选择2方法）

PIPELINES = [
'pipelines.SpiderPipeline',
            ]

方法2、在start()传入pipelines:

from pipelines import SpiderPipeline
DemoSpider.start(pipelines=SpiderPipeline)

Post请求重写start_requests

如果需要直接发起 post请求，可以删除 start_urls 中的元素，重新 start_requests 方法。

解析response

采用了scrapy中的解析库parse，解析方法和scrapy一样，支持xpath，css选择器，re。

简单示例:

xpath("//divid = demo/text()").get() ----- 获取第一个元素

xpath("//divid = demo/text()").getall() ----- 获取所有元素，返回list

启动爬虫

在spider文件中通过类名.start()启动爬虫。

比如爬虫的类名为DemoSpider

DemoSpider.start()

启动多个爬虫

这里并没有进行完善，可以采用多进程的方式进行测试。

from Demo.demo import DemoSpider
from Demo.demo2 import DemoSpider2
import multiprocessing

def open_DemoSpider2():
    DemoSpider2.start()

def open_DemoSpider():
    DemoSpider.start()

if __name__ == "__main__":
    p1 = multiprocessing.Process(target = open_DemoSpider)
    p2 = multiprocessing.Process(target = open_DemoSpider2)
    p1.start()
    p2.start()

特别致谢 : Scrapy、Ruia、Looter、asyncio、aiohttp

更多详细内容可参考demo，链接： Asyncpy使用文档

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2020/05/23 ，如有侵权请联系 cloudcommunity@tencent.com 删除

爬虫