安装###
<p>python 2.7
pip install --allow-all-external -r requirements.txt
如果你使用 ubuntu，依赖以下二进制包：apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml
启动 ： pyspider all
脚本编辑：on_start 是脚本执行的入口， 点击run 会被调用
@every 表示这个任务是定时执行
self.crawl: 用于控制抓取连接， 使用callback = self.index_page指定用哪个函数解析抓取到的页面
def index_page(self, response) : 回调函数可以通过访问response 访问抓取到的数据， return的内容会被采集到resultdb中。 重载 on_result(self.result) 函数可以修改中国行为
Run: 可以通过run 测试脚本
Project###
project 属性
status – 任务状态，只有处于 DEBUG 和 RUNNING 状态任务才会被执行
TODO – 新建立的脚本所处的状态
STOP – 停止
CHECKING – 当任务在 DEBUG 或 RUNNING 状态被修改时，会自动变为 CHECKING，暂停任务执行
DEBUG – 任务可以开始执行，handler的 __env__['debug'] == True
RUNNING – 任务正常执行状态
rate – 每秒抓取页面个数
burst– 并发数
take###
任务是 spider 调度的最小单位。
taskid 是任务的唯一区分标识，默认使用 url 的 md5 作为 taskid（即根据 url 对抓取去重）
不同 project 间任务相互独立（不同 project 间 taskid 可以相同）
任务状态
active(1) – 活动状态，表示任务在队列中等待被抓取（包括在队列中、抓取中、执行时间未到、重试中）
success(2) – 抓取成功状态
failed(3) – 经过重试后抓取失败
bad(4)– 损坏，暂未使用
任务调度###
只有处于 active 状态的任务才会得到调度，scheduler 对于每个 project 有两个队列：
时间队列 – 任务尚未到达执行时间，时间拉长重试也在这个队列中
优先队列 – 任务已经到达执行时间，任务会根据优先级 priority
，在有流量配额情况下，依次发起调度
scheduler 会等待每一个调度任务返回，当执行失败时，会根据 retries
参数，拉长一定时间发起重试。当超时结果未返回时，会无限次地重新发起调度
新/旧任务请求
当产生一个库中没有的任务请求时，会根据参数 exetime
中设定的执行时间决定是放入 时间队列 还是 优先队列。
当新请求已经在队列中（即任务状态是 active 时），会忽略新的请求，即使它们的参数不一致。
可以通过 force_update
参数强制更新处于 active 状态的任务
当任务状态是 success 或 failed 时。参数 age
会检测 上次抓取时间 + age
是否大于当前时间，若大于，则会重启任务。或者，您可以通过设置itag
（例如前链中提取的更新时间）参数，当本次请求的 itag
与上次不同时，会重启任务。
script###
执行环境
环境变量
``project == self.project:当前任务信息self.project_name:当前脚本名self.response:当前请求的responseself.task: 当前请求的原始task信息logging，logger,print的信息会被采集，请使用logger`:打印日志（默认 logging 已经 import 到环境中，请不要再次导入）
脚本约束###
接口请从 from libs.base_handler import *中导入
脚本必须有至少一个的继承自 BaseHandler 的类
例外：当环境中有多个继承自 BaseHandler
（例如：二次派生时），请指定 __class__ = Handler
每个 task 由参数 callback指定的成员函数解析（默认的 callback 是 __call__）
完整的 callback 函数原型是：def foo(self, response, task)（可以忽略您不需要的参数（但需要顺序一致）例如：foo(self, res)）
response 是一个抓取结果的对象
task 是原始的请求 json，和您在 调试器 左侧 绿色区域 看到的结果一致
函数的返回内容会被 on_result(self, result)
函数捕获，您可以在这里将其输出到数据库中
API接口###
特殊接口
def on_start(self):当在首页上点击 project 的 run按钮时被调用
def on_result(self, result):所有 callback 函数 return 时被调用（包括返回值为 None 时）。默认的 on_result
回调会将结果发送给 result_work，默认的 result_work 会将结果储存到 resultdb 中。如果覆盖这个方法，会阻止默认行为。使用super(Handler, self).on_result(result)
调用父类方法以将结果发送给 result_worker。
def on_message(self, project, message):当收到其他 project 发送的消息时被调用，project 为发送消息的 project 的名字，message 可能为任意类型。使用 send_message
发送消息。
module方法
@config(**kwargs)修饰回调函数，给 self.crawl 接口设定 function 级默认值
@every(minutes, seconds)修饰 on_cronjob 回调函数，每 minutes分钟执行
@catch_status_code_error修饰回调函数，回调函数接受抓取异常数据。默认的 callback 会直接对非200返回直接抛出异常。
@not_send_status修饰回调函数，回调函数不发送状态包给 scheduler，不建议使用.
类成员变量
crawl_config:dict 给 self.crawl 接口设定 class 级默认值方法
BaseHandler.crawl(url, **kwargs)参数列表，以下参数，除了 url 都是可选的。您可以使用 crawl_config
和/或 @config(_config:dict)
给类或方法设定默认值。但 直接调用的优先级 高于 方法级默认值 高于 类默认值。修改默认值不会影响已经创建了的任务。
基本
url – 需要抓取的url，支持url数组，支持dataurl：data:,content
当有params参数存在时，最终url为拼接后的> 当url中有中文时，会进行 % 编码
taskid – 默认取 url 的 md5
callback – 回调函数，可以是 self.foo也可以是函数的名字 "foo"，默认__call__
save – 传递给下一个请求的数据，可以是任何可 json 的对象
调度
priority – 调度优先级，越高越好
retries – 重试次数
exetime – 执行时间，为 time.time() 的 timestamp
age – 页面有效期，在有效期内抓取过的页面不会重新抓取
itag – 能反映页面最后更新时间的标记，一般取自最后更新时间
抓取
method – POST/GET/HEAD 等
params – url中 ?a=b 的部分，类型 dict
data – POST正文的内容，string 或 dict > GET有data可能会导致抓取失败
files – 上传文件，{'key': ('file.name': 'content')}
headers – 请球头，类型dict
cookies – 请求的 Cookies，类型 dict
timeout – 请求超时
allow_redirects – 是否跟随30x跳转，默认 True
proxy – 是否使用代理抓取，默认 True（需要 fetcher 支持）
etag – 是否启用etag（当页面无变化时不会抓取内容，也不会触发解析）
last_modifed – 是否启用last_modifed（当页面无变化时不会抓取内容，也不会触发解析）
使用JS渲染##
fetch_type – 设置为 phantomjs或js时，调用 phantomjs 进行js渲染，加载 ajax 内容。需要安装 phantomjs，并为 fetcher 设置 phantomjs_proxy。
js_script – 设置一段 JS 脚本，在页面加载完成（前）时执行。进行模拟点击等动作。
js_run_at – document-start/document-end
load_images – 开启图片，默认关闭。
BaseHandler.send_message(project, msg, [url])向其他 project 发送 msg，对方脚本可以通过 on_message
回调获得消息。默认的 url 是固定的，在on_message中发往 on_result 的数据会相互覆盖，使用 url 参数为每个结果设置不同的 URL地址（例如：http://example.com/page3.html#result-1）
Response
source： libs/response.py
属性
Response.status_code请求返回的状态码
Response.url请求的url（当发生跳转时，为跳转后的url）
Response.orig_url原请求的url
Response.headers返回头
Response.cookies返回的cookies
Response.error请求错误信息，string类型
Response.time请求用时
Response.ok请求是否成功
Response.encoding页面的编码，会根据header，content自动检测；当检测错误时，可以手动设定编码覆盖
Response.text页面经过转码成为 unicode 的数据
Response.content页面未转码内容
Response.save从上一个任务中传下来的数据
Response.json尝试解析 json
Response.doc将页面建树，返回一个 pyquery 对象（已将相对地址转为绝对地址 make_links_absolute
）
方法
Response.raise_for_status()尝试抛出抓取异常
FAQ
如何删除一个任务
将任务的 group 设置为 delete ，并将状态设置为 STOP，没有更新 24小时 之后，scheduler 会自动删除任务。
执行任务###
- 点击脚本的
status, 修改为DEBUG或RUNNING
<i>任务状态会影响是否执行抓取。当你修改过脚本后，任务状态会自动变为 CHECKING.</i>
2 . 确认rate/burst都不为0
<i>rate用于控制每秒抓取页面的个数，burst 可以视为并发控制。</i>
3.执行Run
网友评论