Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/lixi5338619/asyncpy
使用asyncio和aiohttp开发的轻量级异步协程web爬虫框架
https://github.com/lixi5338619/asyncpy
aiohttp asyncio asyncpy crawler python scrapy
Last synced: about 8 hours ago
JSON representation
使用asyncio和aiohttp开发的轻量级异步协程web爬虫框架
- Host: GitHub
- URL: https://github.com/lixi5338619/asyncpy
- Owner: lixi5338619
- Created: 2020-05-25T04:55:57.000Z (over 4 years ago)
- Default Branch: master
- Last Pushed: 2022-10-23T05:11:12.000Z (about 2 years ago)
- Last Synced: 2024-10-06T17:48:20.518Z (about 1 month ago)
- Topics: aiohttp, asyncio, asyncpy, crawler, python, scrapy
- Language: Python
- Homepage:
- Size: 63.5 KB
- Stars: 107
- Watchers: 7
- Forks: 27
- Open Issues: 5
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# asyncpy
Use asyncio and aiohttp's concatenated web crawler framework
Asyncpy是我基于asyncio和aiohttp开发的一个轻便高效的爬虫框架，采用了scrapy的设计模式，参考了github上一些开源框架的处理逻辑。
---
## 更新事项
- 1.1.7： 修复事件循环结束时的报错问题
- 1.1.8： 在spider文件中不再需要手动导入settings_attr
- - -
使用文档 : [https://blog.csdn.net/weixin_43582101/article/details/106320674](https://blog.csdn.net/weixin_43582101/article/details/106320674)
应用案例 : [https://blog.csdn.net/weixin_43582101/category_10035187.html](https://blog.csdn.net/weixin_43582101/category_10035187.html)
github: [https://github.com/lixi5338619/asyncpy](https://github.com/lixi5338619/asyncpy)
pypi: [https://pypi.org/project/asyncpy/](https://pypi.org/project/asyncpy/)
**asyncpy的架构及流程**
---
## 安装需要的环境
python版本需要 >=3.6
依赖包： [ 'lxml', 'parsel','docopt', 'aiohttp']
**安装命令：**
```python
pip install asyncpy
```
**如果安装报错：**
```
ERROR: Could not find a version that satisfies the requirement asyncpy (from versions: none)
ERROR: No matching distribution found for asyncpy
```
请查看你当前的python版本，python版本需要3.6以上。
还无法下载的话，可以到 [https://pypi.org/project/asyncpy/](https://pypi.org/project/asyncpy/) 下载最新版本的 whl 文件。
点击Download files，下载完成之后使用cmd安装：
pip install asyncpy-版本-py3-none-any.whl
- - -
### 创建一个爬虫文件
在命令行输入asyncpy --version 查看是否成功安装。
创建demo文件，使用cmd命令：
```python
asyncpy genspider demo
```
- - -
### 全局settings
| settings配置 | 简介 |
|--|--|
| CONCURRENT_REQUESTS | 并发数量 |
| RETRIES | 重试次数|
| DOWNLOAD_DELAY | 下载延时|
|RETRY_DELAY | 重试延时|
|DOWNLOAD_TIMEOUT | 超时限制|
|USER_AGENT | 用户代理|
|LOG_FILE | 日志路径|
|LOG_LEVEL | 日志等级|
|USER_AGENT|全局UA|
|PIPELINES|管道|
|MIDDLEWARE|中间件|
1.1.8版本之前，如果要启动全局settings的话，需要在 spider文件中通过settings_attr 传入settings：
```python
import settings
class DemoSpider(Spider):
name = 'demo'
start_urls = []
settings_attr = settings
```
**新版本中无需手动传入settings。**
- - -
### 自定义settings
如果需要对单个爬虫文件进行settings配置，可以像scrapy一样在爬虫文件中引入 **custom_settings**。
他与settings_attr 并不冲突。
```python
class DemoSpider2(Spider):
name = 'demo2'
start_urls = []
concurrency = 30 # 并发数量
custom_settings = {
"RETRIES": 1, # 重试次数
"DOWNLOAD_DELAY": 0, # 下载延时
"RETRY_DELAY": 0, # 重试延时
"DOWNLOAD_TIMEOUT": 10, # 超时时间
"LOG_FILE":"demo2.log" # 日志文件
}
```
- - -
### 生成日志文件
在settings文件中，加入：
```python
LOG_FILE = './asyncpy.log'
LOG_LEVEL = 'DEBUG'
```
如果需要对多个爬虫生成多个日志文件，
需要删除settings中的日志配置，在custom_settings中重新进行配置。
- - -
### 自定义Middleware中间件
在创建的 demo_middleware 文件中，增加新的功能。
可以根据 request.meta 和spider 的属性进行针对性的操作。
```python
from asyncpy.middleware import Middleware
middleware = Middleware()
@middleware.request
async def UserAgentMiddleware(spider, request):
if request.meta.get('valid'):
print("当前爬虫名称:%s"%spider.name)
ua = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36"
request.headers.update({"User-Agent": ua})
@middleware.request
async def ProxyMiddleware(spider, request):
if spider.name == 'demo':
request.aiohttp_kwargs.update({"proxy": "http://123.45.67.89:0000"})
```
**方法1、去settings文件中开启管道。**（版本更新，暂时请选择2方法）
```python
MIDDLEWARE = [
'demo_middleware.middleware',
]
```
**方法2、在start()传入middleware:**
```python
from middlewares import middleware
DemoSpider.start(middleware=middleware)
```
- - -
### 自定义Pipelines管道
如果你定义了item(目前只支持dict字典格式的item)，并且settings 里面 启用了pipelines 那么你就可以在pipelines 里面 编写 连接数据库，插入数据的代码。
**在spider文件中：**
```python
item = {}
item['response'] = response.text
item['datetime'] = '2020-05-21 13:14:00'
yield item
```
**在pipelines.py文件中：**
```python
class SpiderPipeline():
def __init__(self):
pass
def process_item(self, item, spider_name):
pass
```
**方法1、settings中开启管道：**（版本更新，暂时请选择2方法）
```python
PIPELINES = [
'pipelines.SpiderPipeline',
]
```
**方法2、在start()传入pipelines:**
```python
from pipelines import SpiderPipeline
DemoSpider.start(pipelines=SpiderPipeline)
```
- - -
### Post请求 重写start_requests
如果需要直接发起 post请求，可以删除 **start_urls** 中的元素，重新 start_requests 方法。
- - -
### 解析response
采用了scrapy中的解析库parse，解析方法和scrapy一样，支持xpath，css选择器，re。
简单示例:
xpath("//div[id = demo]/text()").get() ----- 获取第一个元素
xpath("//div[id = demo]/text()").getall() ----- 获取所有元素，返回list
- - -
### 启动爬虫
在spider文件中通过 类名.start()启动爬虫。
比如爬虫的类名为DemoSpider
```python
DemoSpider.start()
```
- - -
### 启动多个爬虫
这里并没有进行完善，可以采用多进程的方式进行测试。
```python
from Demo.demo import DemoSpider
from Demo.demo2 import DemoSpider2
import multiprocessing
def open_DemoSpider2():
DemoSpider2.start()
def open_DemoSpider():
DemoSpider.start()
if __name__ == "__main__":
p1 = multiprocessing.Process(target = open_DemoSpider)
p2 = multiprocessing.Process(target = open_DemoSpider2)
p1.start()
p2.start()
```
- - -
**特别致谢** : Scrapy、Ruia、Looter、asyncio、aiohttp
- - -
感兴趣 [github](https://github.com/lixi5338619/asyncpy) 点个star吧 ，感谢大家！