介绍一款能取代Scrapy的爬虫框架-feapder

 1. 前言

大家好，我是安果！

创新互联公司成立以来不断整合自身及行业资源、不断突破观念以使企业策略得到完善和成熟，建立了一套“以技术为基点，以客户需求中心、市场为导向”的快速反应体系。对公司的主营项目，如中高端企业网站企划 / 设计、行业 / 企业门户设计推广、行业门户平台运营、成都APP应用开发、手机网站制作设计、微信网站制作、软件开发、遂宁联通机房等实行标准化操作，让客户可以直观的预知到从创新互联公司可以获得的服务效果。

众所周知，Python 最流行的爬虫框架是 Scrapy，它主要用于爬取网站结构性数据

今天推荐一款更加简单、轻量级，且功能强大的爬虫框架：feapder

项目地址：

https://github.com/Boris-code/feapder

2. 介绍及安装

和 Scrapy 类似，feapder 支持轻量级爬虫、分布式爬虫、批次爬虫、爬虫报警机制等功能

内置的 3 种爬虫如下：

•  AirSpider

    轻量级爬虫，适合简单场景、数据量少的爬虫

•  Spider

    分布式爬虫，基于 Redis，适用于海量数据，并且支持断点续爬、自动数据入库等功能

•  BatchSpider

    分布式批次爬虫，主要用于需要周期性采集的爬虫

在实战之前，我们在虚拟环境下安装对应的依赖库

 
 
 

  
  
  
# 安装依赖库  
  
  
  
pip3 install feapder 
 
 
 

3. 实战一下

我们以最简单的 AirSpider 来爬取一些简单的数据

目标网站：aHR0cHM6Ly90b3BodWIudG9kYXkvIA==

详细实现步骤如下（ 5 步）

3-1  创建爬虫项目

首先，我们使用「 feapder create -p 」命令创建一个爬虫项目

 
 
 

  
  
  
# 创建一个爬虫项目  
  
  
  
feapder create -p tophub_demo 
 
 
 

3-2  创建爬虫 AirSpider

命令行进入到 spiders 文件夹目录下，使用「 feapder create -s 」命令创建一个爬虫

 
 
 

  
  
  
cd spiders  
  
  
  
# 创建一个轻量级爬虫  
  
  
  
feapder create -s tophub_spider 1 
 
 
 

其中

•  1 为默认，表示创建一个轻量级爬虫 AirSpider
•  2 代表创建一个分布式爬虫 Spider
•  3 代表创建一个分布式批次爬虫 BatchSpider

3-3  配置数据库、创建数据表、创建映射 Item

以 Mysql 为例，首先我们在数据库中创建一张数据表

 
 
 

  
  
  
# 创建一张数据表  
  
  
  
create table topic  
  
  
  
(  
  
  
  
    id         int auto_increment  
  
  
  
        primary key,  
  
  
  
    title      varchar(100)  null comment '文章标题',  
  
  
  
    auth       varchar(20)   null comment '作者',  
  
  
  
    like_count     int default 0 null comment '喜欢数',  
  
  
  
    collection int default 0 null comment '收藏数',  
  
  
  
    comment    int default 0 null comment '评论数'  
  
  
  
); 
 
 
 

然后，打开项目根目录下的 settings.py 文件，配置数据库连接信息

 
 
 

  
  
  
# settings.py  
  
  
  
MYSQL_IP = "localhost"  
  
  
  
MYSQL_PORT = 3306  
  
  
  
MYSQL_DB = "xag"  
  
  
  
MYSQL_USER_NAME = "root"  
  
  
  
MYSQL_USER_PASS = "root" 
 
 
 

最后，创建映射 Item（ 可选 ）

进入到 items 文件夹，使用「 feapder create -i 」命令创建一个文件映射到数据库

PS：由于 AirSpider 不支持数据自动入库，所以这步不是必须

3-4  编写爬虫及数据解析

第一步，首先使「 MysqlDB 」初始化数据库

 
 
 

  
  
  
from feapder.db.mysqldb import MysqlDB  
  
  
  
class TophubSpider(feapder.AirSpider):  
  
  
  
    def __init__(self, *args, **kwargs):  
  
  
  
        super().__init__(*args, **kwargs)  
  
  
  
        self.db = MysqlDB() 
 
 
 

第二步，在 start_requests 方法中，指定爬取主链接地址，使用关键字「download_midware 」配置随机 UA

 
 
 

  
  
  
import feapder  
  
  
  
from fake_useragent import UserAgent  
  
  
  
def start_requests(self):  
  
  
  
    yield feapder.Request("https://tophub.today/", download_midware=self.download_midware)  
  
  
  
def download_midware(self, request):  
  
  
  
    # 随机UA  
  
  
  
    # 依赖：pip3 install fake_useragent  
  
  
  
    ua = UserAgent().random  
  
  
  
    request.headers = {'User-Agent': ua}  
  
  
  
    return request 
 
 
 

第三步，爬取首页标题、链接地址

使用 feapder 内置方法 xpath 去解析数据即可

 
 
 

  
  
  
def parse(self, request, response):  
  
  
  
    # print(response.text)  
  
  
  
    card_elements = response.xpath('//div[@class="cc-cd"]')  
  
  
  
    # 过滤出对应的卡片元素【什么值得买】  
  
  
  
    buy_good_element = [card_element for card_element in card_elements if  
  
  
  
                        card_element.xpath('.//div[@class="cc-cd-is"]//span/text()').extract_first() == '什么值得买'][0]  
  
  
  
    # 获取内部文章标题及地址  
  
  
  
    a_elements = buy_good_element.xpath('.//div[@class="cc-cd-cb nano"]//a')  
  
  
  
    for a_element in a_elements:  
  
  
  
        # 标题和链接  
  
  
  
        title = a_element.xpath('.//span[@class="t"]/text()').extract_first()  
  
  
  
        href = a_element.xpath('.//@href').extract_first()  
  
  
  
        # 再次下发新任务，并带上文章标题  
  
  
  
        yield feapder.Request(href, download_midware=self.download_midware, callback=self.parser_detail_page,  
  
  
  
                              titletitle=title) 
 
 
 

第四步，爬取详情页面数据

上一步下发新的任务，通过关键字「 callback 」指定回调函数，最后在 parser_detail_page 中对详情页面进行数据解析

 
 
 

  
  
  
def parser_detail_page(self, request, response):  
  
  
  
    """  
  
  
  
    解析文章详情数据  
  
  
  
    :param request:  
  
  
  
    :param response:  
  
  
  
    :return:  
  
  
  
    """  
  
  
  
    title = request.title  
  
  
  
    url = request.url  
  
  
  
    # 解析文章详情页面，获取点赞、收藏、评论数目及作者名称  
  
  
  
    author = response.xpath('//a[@class="author-title"]/text()').extract_first().strip()  
  
  
  
    print("作者：", author, '文章标题:', title, "地址：", url)  
  
  
  
    desc_elements = response.xpath('//span[@class="xilie"]/span')  
  
  
  
    print("desc数目:", len(desc_elements))  
  
  
  
    # 点赞  
  
  
  
    like_count = int(re.findall('\d+', desc_elements[1].xpath('./text()').extract_first())[0])  
  
  
  
    # 收藏 
  
  
  
    collection_count = int(re.findall('\d+', desc_elements[2].xpath('./text()').extract_first())[0])  
  
  
  
    # 评论  
  
  
  
    comment_count = int(re.findall('\d+', desc_elements[3].xpath('./text()').extract_first())[0])  
  
  
  
    print("点赞：", like_count, "收藏:", collection_count, "评论:", comment_count) 
 
 
 

3-5  数据入库

使用上面实例化的数据库对象执行 SQL，将数据插入到数据库中即可

 
 
 

  
  
  
# 插入数据库  
  
  
  
sql = "INSERT INTO topic(title,auth,like_count,collection,comment) values('%s','%s','%s','%d','%d')" % (  
  
  
  
title, author, like_count, collection_count, comment_count)  
  
  
  
# 执行  
  
  
  
self.db.execute(sql) 
 
 
 

4. 最后

本篇文章通过一个简单的实例，聊到了 feapder 中最简单的爬虫 AirSpider

当前名称：介绍一款能取代Scrapy的爬虫框架-feapder
网站链接：http://www.csdahua.cn/qtweb/news40/503990.html

网站建设、网络推广公司-快上网，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 快上网