fspider 1.1.0

基于asyncio异步爬虫网络框架，仿scrapy

fspider

介绍

fspider是一款基于python原生协程asyncio的异步网络爬虫框架，仿照scrapy

要求

python>=3.7

安装

1.pip install fspider

2.或者点击下载 然后执行python setup.py install

教程

创建项目

fspdier startproject 命令有两个参数-项目名称和项目路径 fspdier startproject testspider . 在当前目录创建testspider项目

cd testspider
python main.py

执行默认的测试用例

command

在命令行窗口使用fspider -h 查看支持的命令及参数

• fspdier startproject -h
• fspdier shell -h

上下文变量

from fspider import context
context.spider.get()

目前支持spider对象的获取，这样就不必将spider一直作为参数来传递。 注意:必须在spider初始化之后，即无法在spider init 里面调用

signals

• spdier_opened
• spider_closed

使用方法: spider 默认绑定了这两个signal 你可以覆盖这两个方法

async def spider_opened(self):
    self.logger.info('spider_opened!!!!!!!!!!!')


async def spider_closed(self):
    self.logger.info('spider_closed ')
    pass

在其他地方使用(sender参数默认使用context.spider.get())

from fspider import signals


async def spider_opened():
    pass


signals.connect(receiver=spider_opened, signal=signals.spider_opened)

spider middreware

spider middreware 是用来处理spider结果的组件 一个简单的spider middreware 如下所示：

from fspider.http.response import Response
from fspider.spidermiddlewares import SpiderMiddleware
from fspider.utils.type import SpiderRequest


class TestSpiderMiddleware(SpiderMiddleware):
    async def process_start_requests(self, result: SpiderRequest) -> SpiderRequest:
        async for r in result:
            print('process_start_requests', r)
            yield r

    async def process_spider_output(self, response: Response, result: SpiderRequest) -> SpiderRequest:
        async for i in result:
            print('process_spider_output', i)
            yield i

之后你需要在setting中配置启用：

SPIDER_MIDDLEWARES = {
    'test.middlewares.TestSpiderMiddleware': 543,
}

downloader middreware

downloader middreware 是用来处理request请求，最终得到response的一系列组件， 一个简单的downloader middreware 如下所示

from typing import Union
from fspider.downloadermiddlewares import DownloaderMiddleware
from fspider.http.request import Request
from fspider.http.response import Response


class TestDownloaderMiddleware(DownloaderMiddleware):
    async def process_request(self, request: Request) -> Union[Request, Response, None]:
        print('process_request', request)
        return None

    async def process_response(self, request: Request, response: Response) -> Union[Request, Response]:
        print('process_response', response)
        return response

之后你需要在setting中配置启用：

DOWNLOADER_MIDDLEWARES = {
    'test.middlewares.TestDownloaderMiddleware': 543,
}

DOWNLOADER_MIDDLEWARES 会先顺序执行各个middlewares的process_request方法，之后倒叙执行process_response

内置 downloader middreware

RobotsTxtMiddleware

DownloadTimeoutMiddleware

DefaultHeadersMiddleware

DEFAULT_REQUEST_HEADERS = {
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'zh-CN,zh-HK;q=0.9,zh;q=0.8,en;q=0.7,la;q=0.6,ja;q=0.5',
    'accept-encoding': 'gzip, deflate, br',
}

HttpCompressionMiddleware

aiohttp 会根据response 自动解压数据，所以不需要实现该中间件 （默认DEFAULT_REQUEST_HEADERS 'accept-encoding': 'gzip, deflate, br'，接受压缩数据，不需要的话可以删除accept-encoding）

UserAgentMiddleware

CookiesMiddleware

DefaultDownloaderMiddleware

Item Pipeline

当spider 抓取了item,将会移交到 item pipeline ,按照顺序执行相应的组件 一个自定义的pipeline 如下所示：

import logging
import typing
from fspider.pipelines import Pipeline
from fspider.utils.type import Item


class FspidertestPipeline(Pipeline):
    async def process_item(self, item: Item) -> typing.Optional[Item]:
        logging.info(item)
        return item

• 你必须实现process_item方法

  • 每个pipeline都会执行此方法来处理
  • return item 将会继续执行后续pipeline ，return None将会停止执行后续pipiline

• 然后需要在setting 配置启用：

ITEM_PIPELINES = {
    'fspidertest.pipelines.FspidertestPipeline': 300,
}

MediaPipeline

这是一个用来并发处理image、video等文件的pipeline，并提供了并发控制、大小限制、下载时间估算、超时等功能 默认配置参数

• meida_key：#item[meida_key] 是将要下载的url列表 默认值：media_urls
• CONN_LIMIT：最大并发 默认值：5
• LIMIT_PER_HOST：单个域名最大并发 默认值：2
• file_dir：保存目录 默认当前目录
• size_limit: 最大文件限制 默认：1024 * 1024 * 1024 # 1GB
• time_limit：最大时长 默认：10 * 60 # 10分钟

item_completed 方法：

params :

results: typing.Union[str, Exception] 返回文件保存路径或者exception
item

return item or None

example:

import logging
import typing
from fspider.pipelines.files import MediaPipeline
from fspider.utils.type import Item


class FspidertestPipeline(MediaPipeline):
    meida_key = 'images'
    LIMIT_PER_HOST = 2

    # async def process_item(self, item: Item) -> typing.Optional[Item]:
    #     item = await super().process_item(item)
    #     logging.info(item)
    #     return item

    async def item_completed(self, results: typing.Union[str, Exception], item: Item) -> Item:
        item['media_path'] = [r for r in results if not isinstance(r, Exception)]
        return item