Python爬虫框架，内置微博、自如、豆瓣图书、拉勾、拼多多等规

PyLoom想为有价值的网站编写爬虫，让开发者便捷地获取结构化的数据。

PyLoom由三个部分组成，

1. 框架，减少编写、运行、维护爬虫的工作量。

2. 爬虫，寻找有价值的目标为其开发爬虫，并维护既有爬虫的可用性。

   预期19年底，PyLoom将拥有围绕电子商务、房屋租售、社交网络、新闻媒体的数十个爬虫。

3. 升级爬虫，对于频繁使用的爬虫，增强其能力

   • 增强定制能力，例如支持限定地区、类别、关键字抓取；
   • 增强抓取策略，减少对代理、打码接口的使用；
   • 增强更新策略，更细粒度地计算重复抓取的时间。

目前进度，

①部分完成，开发常见爬虫够用了，随爬虫的开发迭代出更多功能；

②已开源自如、微博、拉钩、豆瓣图书、拼多多爬虫，放置于spiders目录。

安装

1. 环境要求

   • python 3.6.0+
   • redis 2.6+
   • 类unix系统

2. 安装PyLoom

   git clone https://github.com/spencer404/PyLoom.git
   python3.6 -m pip install -e ./PyLoom
   

   添加 -i https://pypi.douban.com/simple 参数，利用豆瓣镜像提速。

   出现错误fatal error: Python.h: No such file or directory时，

   需安装对应平台的python3.x-devel包

运行

以运行spiders/WeiBo为例，

1. 最简参数启动爬虫

   pyloom run -s PyLoom/spiders/WeiBo
   

   在爬虫目录中执行run时，可省略-s参数。

   运行截图

2. 启动代理池

   pyloom proxy run
   

3. 添加代理

   根据命令提示，添加名为"xxx"的代理

   pyloom proxy add
   

4. 使用代理启动爬虫

   pyloom run --proxy xxx
   

   命令run的部分常用参数：

   -l, --level    日志级别
   -s, --spider   指定爬虫目录
   -r, --redis    指定redis地址(URL形式)
   -C, --clear    清空队列、代理数据后运行
   --proxy        使用指定代理运行，逗号分隔多个代理
   --damon        作为守护进程运行
   -p             子进程数量
   -t             每个子进程的线程数量
   

   在多台服务器上运行时，若参数-s、-r所指向的目标相同，即可横向扩容性能。

   默认地，PyLoom将抓到数据打印在日志中，你可以修改on_save函数自定义如何保存。

GitHub地址：https://github.com/spencer404/PyLoom