This topic created in 4181 days ago, the information mentioned may be changed or developed.
虽然 252 天前已经分享过，但是第二个里程碑 commit 数已经快到第一个的 2 倍了。。
功能上丰富了非常多，甚至已经部分超过原来不开源的版本了。。
请允许我再次分享一次 pyspider
github 地址： https://github.com/binux/pyspider
demo 地址： http://demo.pyspider.org/ （感谢 @phoenixlzx ）
* python 脚本，可以用任何你喜欢的 html 解析包（内置 pyquery ）
* WEB 界面编写调试脚本，起停脚本，监控执行状态，查看活动历史，获取结果产出
* 支持 MySQL, MongoDB, SQLite
* 支持抓取 JavaScript 的页面
* 组件可替换，支持单机 /分布式部署，支持 Docker 部署
* 强大的调度控制
由于功能太多，更多请参考： https://github.com/binux/pyspider/wiki
pycon 上的 slide： http://www.slideshare.net/roybinux/pyspider-pycon2014beijing
功能上丰富了非常多，甚至已经部分超过原来不开源的版本了。。
请允许我再次分享一次 pyspider
github 地址： https://github.com/binux/pyspider
demo 地址： http://demo.pyspider.org/ （感谢 @phoenixlzx ）
* python 脚本，可以用任何你喜欢的 html 解析包（内置 pyquery ）
* WEB 界面编写调试脚本，起停脚本，监控执行状态，查看活动历史，获取结果产出
* 支持 MySQL, MongoDB, SQLite
* 支持抓取 JavaScript 的页面
* 组件可替换，支持单机 /分布式部署，支持 Docker 部署
* 强大的调度控制
由于功能太多，更多请参考： https://github.com/binux/pyspider/wiki
pycon 上的 slide： http://www.slideshare.net/roybinux/pyspider-pycon2014beijing
 |
1
bitwing Nov 16, 2014
今天总算看到干货了
|
 |
2
phoenixlzx Nov 16, 2014
给点一个大大的赞
pycon 没见到真可惜... |
 |
3
tunetoystory Nov 16, 2014
牛逼，点赞！
|
 |
4
binux OP  2
@phoenixlzx 给你单独讲一个？
|
 |
5
owlsec Nov 16, 2014 via iPhone
赞(≧▽≦)
|
 |
6
Rico Nov 16, 2014
赞,正好最近需要.
|
 |
7
zxy Nov 16, 2014 via iPhone
赞一个，我特别关注的人😃
|
 |
8
pc10201 Nov 16, 2014
好像比scrapy强大很多，能给个对比评测就好了~
|
 |
9
qianlifeng Nov 16, 2014
看起来很强大，已STAR
|
|
10
binux OP 3
@pc10201 主要是很多功能我现在还没闹不明白 scrapy 要怎么实现，如果我出评测的话别人一定说“那是你不会用”。。
而且设计思路上，pyspider 已经是一个架构了，scrapy 是一个包。 就我对 scrapy 的理解 * pyspider 使用 JSON ，不需要预先定义 Item * 使用真的消息队列，而不需要 Pipeline * 有真正的链接库，而不是 set集合，能对链接进行重抓调度，抓取更新更灵活方便 * 面向数据包协议编程，而不是面向接口。当需求不满足的时候，甚至可以用其他语言替换某些模块 |
 |
11
regmach Nov 16, 2014
已收藏
已感谢 |
 |
12
reverland Nov 16, 2014
|
 |
13
benjiam Nov 16, 2014 via iPad
爬虫的几个难点， 链接保存如何，快速检索出已经下载过的链接，bloomfliter太简单了，不用habse这种又貌似没有扩张性，如何区分现在很多带随机数的链接。javascrip生成的页面，js动态跳转，，由ajax和后端交互生成的页面抓起。如果防止对方服务器过载，防止对方主动屏蔽，。 这是我几年前玩的时候遇到的问题，都没解决得太好。
|
 |
14
wibile Nov 16, 2014
听了你的演讲，东西很不错。不过个人觉得还是scrapy更完善，更强大一些。其实一般的爬虫并不难，用正则手写一个也能跑，而scrapy借鉴django的pipeline和middleware更灵活。对于你的web端自学习抓取数据的，我印象中scrapy的开发团队早就做了类似的东西。
还是那句话，一般的爬虫不难，难的是怎么应付现在的各种反扒机制：高阶js，block IP，captcha，cookie session认证。。。 消息队列用啥？rabbitmq？zeromq？没看到啊 |
|
15
binux OP 数了下
v0.20 比 v0.10 commit多了3.6倍 代码增加了60% |
|
16
binux OP @benjiam 1亿以下链接不需要bloomfliter，任何数据库直接查就够。pyspider 是由脚本控制 follow 什么链接，如何区分带随机数的链接在写脚本的时候就能搞定。
@wibile pyspider 不只是pipeline和middleware这么简单，它是真正的队列，真正异构组件可替换。 框架解决的是共性问题，而反扒利用的恰恰是与别人不同。 比如 block IP，架构上是在fetcher前面加一个squid，给squid加大量的代理。所以你会看到我 API 里面有一个参数是是否使用代理。 比如 douban 反反爬，并不是所有的cookie都需要，这样反而让对方知道你是谁。 消息队列是可替换的啊。。只要实现成内置Queue的接口，用什么都一样。比如 libs/rabbitmq.py |
|
17
benjiam Nov 16, 2014 via iPad
不知道这个框架是如何解决的
|
|
18
binux OP @benjiam 链接过2亿，请重写 scheduler
带随机数在脚本中自己去掉再提交 js动态可以在 JavaScript 抓取时指定一段js代码，模拟点击动作 防止过载有令牌桶流量控制 反爬请参照上一个回复 |
|
19
phoenixlzx Nov 17, 2014 via Android 1
@binux 不敢当。。有空一起出来玩罢
|
 |
21
kslr Nov 17, 2014
里面好多我想要的东西，开始拆 T_T
|
 |
22
forever139 Nov 17, 2014
@binux 第一次分享出来的时候，就拉到本地测试过，环境啥的都好了，就是页面没反应，然后搞了几个月的scrapy,这次再试试。
|
|
23
binux OP |
 |
24
Jaycee Nov 17, 2014
赞。。。
|
 |
25
xujialiang Nov 17, 2014
不得不说！！！好东西啊！！！！！！！
|
 |
26
dofaith09 Nov 17, 2014
我用过 Portia， 请问和Portia比有哪些不同呢？
|
 |
27
laike9m Nov 17, 2014
其实你该申请主题演讲的。。
|
 |
28
s12348765 Nov 17, 2014
收藏下。。。
|
 |
29
sohoer Nov 17, 2014
看到爬虫我就来劲！呵呵！不错
|
|
30
binux OP @zyx89513
没用过 Portia，看介绍，感觉不是一层的东西，Portia 更像一个规则配置器，下层还是跑的 scrapy。 规则上，还是 http://blog.binux.me/2014/07/how-to-extract-data-from-web/ 里面，“xpath / css选择器 / 正则表达式” 这一层的东西，只是用表单简化配置罢了。 pyspider 虽然也有 自动生成css选择器的辅助工具，但是为了灵活性，或者说，还没有做这一层。 |
 |
31
yakczh Nov 17, 2014
-r requirements.txt
这里面内容是啥? |
 |
35
glongzh Nov 17, 2014
上HN了，赞一下！
|
|
36
yakczh Nov 17, 2014
http://localhost:5000/debug 这是python的在线编辑器? 通过后台 修改python代码,这个怎么调试呢?
|
 |
38
shoumu Nov 17, 2014
能不能更多地分享一些那两个抽取demo的内容
|
 |
41
wusuopuBUPT Nov 17, 2014
@phoenixlzx 好啊-_-
|
|
42
wusuopuBUPT Nov 17, 2014
牛！
|
 |
43
hustlzp Nov 17, 2014
碉堡了！
|
 |
44
withrock Nov 17, 2014
我觉得更牛逼的是你博客里写的那个“如何从 WEB 页面中提取信息”
http://blog.binux.me/2014/07/how-to-extract-data-from-web/ micro-data |
 |
45
Yiph Nov 17, 2014
MARK
|
 |
47
staticor Nov 17, 2014
mark/ 对比着scrapy学习学习。。。
|
 |
48
geew Nov 17, 2014
已收藏 好东西 不过这star数也是醉了
 可能是我看的原因... |
 |
49
Mrabbit Nov 17, 2014
谢谢分享，已star
|
 |
50
zhchyu999 Nov 17, 2014
好东西
|
 |
51
oaix Nov 17, 2014
上HN首页了，恭喜恭喜
|
 |
52
yanchao7511461 Nov 17, 2014
好东西啊 好东西
|
 |
55
qloog Nov 17, 2014
看起来很牛掰的东西~
|
|
56
binux OP HN 上有人提出要测性能。。于是。。
多线程下 5700 pages/min，作为对比 scrapy bench 4800 pages/min 多进程都不想欺负它了。。 PS：我用了无限制消息队列，流量直接往下一个模块上压。。由于不清楚 scrapy 的实现其实结果不好说。。 https://gist.github.com/binux/67b276c51e988f8e2c31 |
 |
57
crossmaya Nov 20, 2014
windows上跑不起来，我只是过来说一声。。
|
|
60
crossmaya Nov 20, 2014
看了一下，可能pycurl模块的问题！
|
 |
61
idy0013 Nov 20, 2014
做一个爬虫社区 大家可以贡献代码，可以获取爬到的数据 有偿获取数据给贡献者
|
 |
63
fly51fly Nov 23, 2014
原来是同校小友！有机会多交流交流……要是pyspider的文档再完善一点就好了，尤其是自定义配置这块；Mac上试了一下，run.py后5000能访问，不过debug的任务测试run不动，看调试信息报“Uncaught TypeError: Cannot read property 'indexOf' of undefined”，runtest也有错（太长避免撑爆版面先不贴了），还没顾上仔细看
|
|
65
benjiam Nov 23, 2014
@binux 我的意思 网站上的url 你认为1亿以下可以存数据库。这样是可以的，但是这样任何url是否已经存在需要靠一次db io.这样的效率很低，如果存在内存用map,这样的结构。内存消耗又非常大。bloomfliter 又有可能丢失某些url. hbase 貌似是google 的解决方案，但是没实践过
|
|
66
binux OP 1
@benjiam 我觉得没有必要，pyspider是人工写模板的，而不是说页面上所有的链接都需要去检测一次是否在库中。实际上只有列表页有这样的检测。
再加上需要做按照时间判断是否重抓取的检测，bloomfilter 是不够的，还是得查库。 |
|
67
fly51fly Nov 24, 2014
我的环境：Mac OS X 10.9.5 下 Python 2.7.5
|
 |
68
aksoft Dec 5, 2014
真高级啊...
|
 |
71
gogobeijing Feb 2, 2015
mac下 Python 2.7.5，执行setup.py报错，如下：
Searching for six>=1.8.0 Reading http://pypi.python.org/simple/six/ Download error: [Errno 60] Operation timed out -- Some packages may not be found! Couldn't find index page for 'six' (maybe misspelled?) Scanning index of all packages (this may take a while) Reading http://pypi.python.org/simple/ Download error: [Errno 60] Operation timed out -- Some packages may not be found! No local packages or download links found for six>=1.8.0 error: Could not find suitable distribution for Requirement.parse('six>=1.8.0') |
|
72
binux OP @gogobeijing 能自己读一下报错吗
|
|
73
gogobeijing Feb 2, 2015
缺 six-1.8.0 ，我在 http://pypi.python.org/simple/six/ 上找到 six-1.8.0.tar.gz ，可以自己下载吗？
执行自动安装就是一直说timed out呢。 |
 |
74
laotaitai Mar 29, 2015
我觉得这pyspider至少在开发测试时用pyspider, 是坨屎. 另外, 文档写得也像坨屎. 我认为Scrapy比你设计更加先进和更加人性化, 你这pyspider连windows版的火车头的1%都不如. 我自己也尝试设计过爬虫框架, 一开始也是觉得scrapy是坨屎, 后面越来越觉得scrapy设计非常先进.
|
 |
76
laoyuan Apr 3, 2015
快被我自己写的山寨PHP爬虫搞疯了，pypy快给我爬起~
|
|
77
laoyuan Apr 3, 2015
呃，还要先去学学Python。。
|
 |
78
monsabre Apr 24, 2015
低逼格的百毒找楼主这样的脑残写出锁死浏览器毒一坨屎
很正常 |
|
83
laoyuan Apr 27, 2015
LZ啊，对于那种列表性质的页面，一次crawl() 得到多条result 的情况，只能override on_result() 么？有没有方便一点的办法入库多条result 呢？
|
|
84
laoyuan Apr 28, 2015
太好了，在Tutorial Level 1 里碰到的问题今天看Level 2 就解决了
|
|
85
laoyuan Apr 28, 2015
http://demo.pyspider.org/debug/tutorial_twitch
parse_rendered_page() 报 error: error |
|
86
laoyuan Apr 29, 2015
原来一次crawl() 得到多条result 用message 来解决，今天正式学完文档了。学习笔记我发了个帖子算是反馈吧：/t/187256
|
 |
88
694380889 Apr 30, 2015
这个可以爬到哪些东西 谁能具体说下 只能爬到可以看见的东西吗
|
 |
90
WeiEast Aug 15, 2015
用js 去click() 提交表单不起作用。是不是不支持js点击事件。我的代码 http://demo.pyspider.org/debug/agoda
|
 |
91
yuwei162 Sep 10, 2015
@binux 你好，最近使用 pyspider ，碰到一个问题：
debug 模式下存在的文件，在 running 的时候提示文件不存在。 代码示例如下： file = "/home/pyspider/myseeds" file2 = "/home/pyspider/next" @every (minutes=24 * 60 ) def on_start (self ): print os.getcwd () print os.path.dirname (self.file ) print "file: exist=%s" % os.path.exists (self.file.strip ()) print os.path.abspath (self.file ) #open (self.file2, 'w') #通过该模式写文件，在 runing 中可以被识别出来 print "file2: exist=%s" % os.path.exists (self.file2 ) print os.path.abspath (self.file2 ) debug 模式下输出为： /home/pyspider /home/pyspider file: exist=True /home//pyspider/myseeds file2: exist=True /home/pyspider/next running 的时候输出为： /home/pyspider /home/pyspider file: exist=False /home/pyspider/myseeds file2: exist=True /home/pyspider/next 不知道问题是否说明白了，还望帮忙看一下，谢谢。 |
|
93
yuwei162 Sep 12, 2015
@binux 是啊！一语道破天机，谢谢。
对了，我最近一直都在迷惑： 第一：如果不通过 ui ，是否可以直接运行脚本提交任务? 第二：如果部署多个 processor 的话，如果我像上面执行一个任务的话，是不能提前预选 processor 吧。 感觉我提的两个问题是一个，还请帮忙解答下，谢谢。 |
|
94
binux OP @yuwei162
1 、什么意思？你这里的任务是 task 还是 project ？现在只能通过模拟 http 请求，或者直接插数据库（记得通知 scheduler 更新），才能通过脚本进行。 2 、不能，本来就是分布式设计，如果要执行 processor ，需要脚本获取 processor 的部署信息。 |
 |
96
Muse666 Apr 15, 2019
楼主 怎么利用 pyspider 对同一个网页实现每隔 15min 抓取一次数据啊 求翻牌 万很感谢
|
Select Language