摘要：所以，靈活的抓取控制是必須的。可見，這個(gè)項(xiàng)目對(duì)于爬蟲的監(jiān)控和調(diào)度要求是非常高的。它全面支持而不需瀏覽器支持，其快速原生支持各種標(biāo)準(zhǔn)處理選擇器和。

PySpider是一個(gè)國人編寫的強(qiáng)大的網(wǎng)絡(luò)爬蟲系統(tǒng)并帶有強(qiáng)大的WebUI。采用Python語言編寫，分布式架構(gòu)，支持多種數(shù)據(jù)庫后端，強(qiáng)大的WebUI支持腳本編輯器、任務(wù)監(jiān)視器，項(xiàng)目管理器以及結(jié)果查看器。
PySpider 來源于以前做的一個(gè)垂直搜索引擎使用的爬蟲后端。我們需要從200個(gè)站點(diǎn)（由于站點(diǎn)失效，不是都同時(shí)啦，同時(shí)有100+在跑吧）采集數(shù)據(jù)，并要求在5分鐘內(nèi)將對(duì)方網(wǎng)站的更新更新到庫中。所以，靈活的抓取控制是必須的。
同時(shí)，由于100個(gè)站點(diǎn)，每天都可能會(huì)有站點(diǎn)失效或者改版，所以需要能夠監(jiān)控模板失效，以及查看抓取狀態(tài)。
為了達(dá)到5分鐘更新，我們使用抓取最近更新頁上面的最后更新時(shí)間，以此來判斷頁面是否需要再次抓取。
可見，這個(gè)項(xiàng)目對(duì)于爬蟲的監(jiān)控和調(diào)度要求是非常高的。
?
PySpider 中文網(wǎng)：http://www.pyspider.cn
PySpider 官網(wǎng)：http://docs.pyspider.org
PySpider 演示：http://demo.pyspider.org
PySpider 源碼：https://github.com/binux/pyspider
?

python 腳本控制，可以用任何你喜歡的html解析包（內(nèi)置 pyquery）
WEB 界面編寫調(diào)試腳本、起停腳本、監(jiān)控執(zhí)行狀態(tài)，查看活動(dòng)歷史，獲取結(jié)果產(chǎn)出
數(shù)據(jù)存儲(chǔ)支持MySQL、MongoDB、Redis、SQLite、 ElasticSearch; PostgreSQL 及 SQLAlchemy
隊(duì)列服務(wù)支持RabbitMQ、Beanstalk、Redis、Kombu
支持抓取 JavaScript 的頁面
組件可替換，支持單機(jī)/分布式部署，支持 Docker 部署
強(qiáng)大的調(diào)度控制，支持超時(shí)重爬及優(yōu)先級(jí)設(shè)置
支持Python 2.{6, 7}, 3.{3, 4, 5, 6}

?

1） pip 安裝
pip可以在以下版本的CPython下運(yùn)行：2.6, 2.7, 3.1, 3.2, 3.3, 3.4 和 pypy.
pip可以在Unix/Linux、Mac OS X、Windows系統(tǒng)中運(yùn)行.
a）腳本安裝
python get-pip.py
如果?setuptools?(或?distribute) 未安裝，?get-pip.py
?會(huì) 自動(dòng)為你安裝?setuptools
如果需要升級(jí)?setuptools?(或?distribute)，運(yùn)行?pip?install?-U?setuptools

?
b）命令安裝
sudo apt-get install python-pip?? ? ? ? // Debian、Ubuntu
sudo yum install python-pip?? ? ? ? ? ? // CentOS、Redhat、Fedora
?
2）PhantomJS 安裝
PhantomJS 是一個(gè)基于 WebKit 的服務(wù)器端 JavaScript API。它全面支持web而不需瀏覽器支持，其快速、原生支持各種Web標(biāo)準(zhǔn)：DOM 處理、CSS 選擇器、JSON、Canvas 和 SVG。 PhantomJS 可以用于頁面自動(dòng)化、網(wǎng)絡(luò)監(jiān)測(cè)、網(wǎng)頁截屏以及無界面測(cè)試等。支持Windows、Linux、Mac OS X等多操作系統(tǒng)。
PhantomJS 下載：http://phantomjs.org/download.html
PhantomJS不需要安裝，解壓后，配置環(huán)境變量后，便可直接使用，詳見?PhantomJS 安裝與開發(fā)
PhantomJS 安裝命令：
sudo apt-get install phantomjs?? ? ? // Debian、Ubuntu
sudo pkg install phantomjs?? ? ? // FreeBSD
brew install phantomjs?? ? ? // Mac OS X
?
3）PySpider 安裝
PySpider 安裝的依賴包?requirements.txt

Flask>=0.10
Jinja2>=2.7
chardet>=2.2
cssselect>=0.9
lxml
pycurl
pyquery
requests>=2.2
tornado>=3.2
mysql-connector-python>=1.2.2
pika>=0.9.14
pymongo>=2.7.2
unittest2>=0.5.1
Flask-Login>=0.2.11
u-msgpack-python>=1.6
click>=3.3
SQLAlchemy>=0.9.7
six>=1.5.0
amqp>=1.3.0,<2.0
redis
redis-py-cluster
kombu
psycopg2
elasticsearch
tblib

?
PySpider 安裝命令：
pip install pyspider
Ubuntu 用戶，請(qǐng)?zhí)崆鞍惭b好以下支持類庫：
sudo apt-get install python python-dev python-distribute python-pip libcurl4-openssl-dev libxml2-dev libxslt1-dev python-lxml
?
4）驗(yàn)證安裝成功
控制臺(tái)輸入命令：
pyspider all
使用瀏覽器訪問?http://localhost:5000

正常出現(xiàn) PySpider 的頁面，那證明一切 OK
?

1）示例1：爬取米撲科技首頁（mimvp.com）

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2017-07-28 13:44:53
# Project: pyspiderdemo
# mimvp.com
 
from pyspider.libs.base_handler import *
 
 
class Handler(BaseHandler):
    crawl_config = {
    }
 
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl("mimvp.com", callback=self.index_page)
 
    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc("a[href^="http"]").items():
            self.crawl(each.attr.href, callback=self.detail_page)
 
    @config(priority=2)
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc("title").text(),
        }

運(yùn)行結(jié)果：

?
2）示例2：設(shè)置代理爬取網(wǎng)頁
PySpider 支持使用代理爬取網(wǎng)頁，其使用代理有兩種方式：
方式1：
--phantomjs-proxy TEXT ? ? ? ? ?phantomjs proxy ip:port
啟動(dòng)命令例如：
pyspider --phantomjs-proxy "188.226.141.217:8080" all
?
方式2：
設(shè)置代理全局變量，如下圖：
crawl_config = {? ? ? ? "proxy" : "188.226.141.217:8080"}
示例代碼：

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
# Created on 2017-07-28 14:13:14
# Project: mimvp_proxy_pyspider
#
# mimvp.com
 
from pyspider.libs.base_handler import *
 
 
class Handler(BaseHandler):
    crawl_config = {
        "proxy" : "http://188.226.141.217:8080",     # http
        "proxy" : "https://182.253.32.65:3128"      # https
    }
 
    @every(minutes=24 * 60)
    def on_start(self):
        self.crawl("http://proxy.mimvp.com/exist.php", callback=self.index_page)
 
    @config(age=10 * 24 * 60 * 60)
    def index_page(self, response):
        for each in response.doc("a[href^="http"]").items():
            self.crawl(each.attr.href, callback=self.detail_page)
 
    @config(priority=2)
    def detail_page(self, response):
        return {
            "url": response.url,
            "title": response.doc("title").text(),
        }

運(yùn)行結(jié)果：

?
?

PhantomJS 安裝與開發(fā)
Python requests 安裝與開發(fā)
Python scrapy 安裝與開發(fā)
Node.js 安裝與開發(fā)
Node.js SuperAgent 安裝與開發(fā)
Python3 urllib 用法詳解
?