主要特点
- 框架代码结构简单易用，易于修改。例如针对出现验证码的处理方法。
- 采用gevent实现并发操作，与scrapy的twisted相比，代码更容易理解。
- 完全模块化的设计，强大的可扩展性。
- 使用方式和结构参考了 scrapy 和 webmagic 。对有接触过这两个框架的朋友非常友好。
- 对数据的解析模块并没有集成，可以自由使用 beautifulsoup 、 lxml 、 pyquery、 html5lib 等等各种解析器进行数据抽取。
- 集成代理换IP功能。
- 支持多线程。
- 支持分布式。
- 支持增量爬取。
- 支持爬取js动态渲染的页面。
- 提供webapi对爬虫进行管理、监控。
- 提供即时爬虫的集成思路和结构。
#!/usr/bin/env python# -*- coding: utf-8 -*-from bs4 import BeautifulSoup as bsfrom sasila.slow_system.base_processor import BaseProcessorfrom sasila.slow_system.downloader.http.spider_request import Requestfrom sasila.slow_system.core.request_spider import RequestSpiderclass Mzi_Processor(BaseProcessor): spider_id = 'mzi_spider' spider_name = 'mzi_spider' allowed_domains = ['mzitu.com'] start_requests = [Request(url='http://www.mzitu.com/', priority=0)] @checkResponse def process(self, response): soup = bs(response.m_response.content, 'lxml') print soup.title.string href_list = soup.select('a') for href in href_list: yield Request(url=response.nice_join(href['href']))
写法与scrapy几乎一样
- 所有的解析器都继承自 BaseProcessor ，默认入口解析函数为def process(self, response)。
- 为该解析器设置spider_id和spider_name,以及限定域名。
- 初始爬取请求为 start_requests ，构建Request对象，该对象支持GET、POST方法，支持优先级，设置回调函数等等所有构建request对象的一切属性。默认回调函数为 process 。
- 可以使用@checkResponse装饰器对返回的 response 进行校验并记录异常日志。你也可以定义自己的装饰器。
- 解析函数因为使用 yield 关键字，所以是一个生成器。当 yield 返回 Request 对象，则会将 Request 对象推入调度器等待调度继续进行爬取。若 yield 不是返回 Request 对象则会进入 pipeline ， pipeline 将对数据进行清洗入库等操作。
- RequestSpider已经默认设置好了 downloader 和 scheduler ，如果不满意，可以自己进行定制。
- 可以为spider设置 downloader 和 pipeline 甚至 scheduler
spider = spider.set_pipeline(ConsolePipeline())
- 可以通过该方式启动爬虫
spider.start()
- 也可以将spider注入 manager 进行管理
from sasila.slow_system.manager import managermanager.set_spider(spider)sasila.start()
架构
- 任务由 scheduler 发起调度，downloader 抓取网页内容， processor 执行预先编写的py脚本，输出结果或产生新的提链任务（发往 scheduler），形成闭环。
- 每个脚本被认为是一个spider，spiderid确定一个任务。
- downloader
- method, header, cookie, proxy,timeout 等等抓取调度控制。
- 可以通过适配类似 phantomjs 的webkit引擎支持渲染。
- processor
- 灵活运用pyquery，beautifulsoup等解析页面。
- 在脚本中完全控制调度抓取的各项参数。
- 可以向后链传递信息。
- 异常捕获。
- scheduler
- 任务优先级。
- 对任务进行监控。
- 对任务进行去重等操作。
- 支持增量。
- webApi
- 对爬虫进行增删改查等操作。
- 非及时爬虫流程图
即时爬虫
即时爬虫是可以通过api调用，传入需要爬取的页面或者需求，即时爬取数据并返回结果。现阶段开发并不完善。仅提供思路参考。示例核心代码在 sasila.immediately_system 中。
- 即时爬虫-获取数据流程图
- 即时爬虫-授权流程图
为啥叫Sasila
作为一个wower,你可以猜到吗ヾ(￣▽￣)
更多源码请进群：125240963 即可获取