https://github.com/dongweiming/Mtime

A spider... ^.^
https://github.com/dongweiming/Mtime

Last synced: about 2 months ago
JSON representation

A spider... ^.^

• Host: GitHub
• URL: https://github.com/dongweiming/Mtime
• Owner: dongweiming
• Created: 2014-03-17T03:26:30.000Z (over 10 years ago)
• Default Branch: master
• Last Pushed: 2014-03-23T13:22:45.000Z (over 10 years ago)
• Last Synced: 2024-06-25T15:46:53.457Z (3 months ago)
• Language: Python
• Size: 199 KB
• Stars: 99
• Watchers: 11
• Forks: 45
• Open Issues: 1
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
Mtime

=====

A spider... ^.^

#### 这是爬取Mtime时光网的爬虫,用到的技术:

1. Mongodb

2. mongoengine

#### 本项目特性:

1. 支持随机UA

2. 构造和Mtime相同的头信息

3. 爬取间隔自适应(爬取限制自动增加间隔,恢复正常自动恢复间隔)

4. 较详细的日志

5. 支持daemon方式启动

#### 各文件作用

1. conf.py # 相关mtime设置的api地址,数据库地址,爬取间隔等设置

2. beat.py # MQ的任务生产者,通过mtime的搜索接口根据年代遍历,将要爬取的电影的唯一ID列表放到我写的一个简单的消息队列(mongodb)

3. worker.py # 使用多进程池类的map方法,模拟多进程并发消费MQ. 每个消息对应不同的爬取任务和爬取的电影IDs

4. control.py # 可以将程序放到后台,提供一个类似start/restart/stop模式的功能. 实现简单的crontab

5. init.py # 项目开始前执行的初始化,生成beat和worker的执行间隔(在conf.py配置),被他们读取和修改

6. models.py # mongodb存储爬下来的电影数据模型

7. parse.py # 页面解析

8. schedulers.py # 任务执行的数据模型

9. show_log.py # 将分布式机器的日志通过一个统一的socket接口汇集起来

10. spider.py # 页面爬取

11. utils.py # 功能函数

12. caoe.py # 豆瓣的CaoE, 父进程死掉后帮助杀掉子进程

#### 爬取流程

1. beat.py 按年份获取每年要爬的电影id和库内本年的id取差集,将要爬的放到mongodb的MQ

2. worker.py定时从数据库取要爬的电影MQ.

3. 从parse.py里面找到实际爬取本次任务的Parse类

4. 调用spider.py中对应本次任务的Spider类爬取页面分析

5. 使用Xpath解析页面获得分析后的结果

6. 获取models里面入库的模型save之

7. 根据上面5 获取的数据对AliasName类也去重复累加

8. 一次任务完成. 继续重复2

#### 使用

1. 初始化任务

```

$pip install -r requirements.txt

$python init.py

```

2. 产生任务(全局只需要一个)

```

$python beat.py start

```

####. 分布式跑任务的每个服务器跑一个worker程序

```

python work.py start

```