spiderkit 0.1.9

一个面向爬虫与数据处理场景的 Python 工具包, 覆盖加密解密, 数据存储, 异步下载, 字体解析和哈希工具

SpiderKit

一个面向爬虫与数据处理场景的 Python 工具包, 覆盖加密解密, 数据存储, 异步下载, 反爬字体解析与常用哈希工具

功能概览

• 加密解密: RSA (含长文本分块), AES/DES/3DES, 多种模式与输出格式
• 数据存储: CSV, JSON, JSONL 格式保存, 支持追加写入
• 异步下载: 高性能并发下载, 支持 M3U8 视频分片合并
• 字体解析: 解析反爬字体文件并生成字符映射
• 哈希工具: 常用摘要算法与多种输出格式
• 通用工具: JSON 序列化, 键名转换, Cookies 解析等实用函数

安装

pip install spiderkit

从源码安装:

uv pip install -e .

运行环境

• Python 3.11+
• 可选依赖: ffmpeg (M3U8 视频合并与转码需要)

模块与核心 API

• spiderkit.crypto
  • generate_rsa_keypair - 生成 RSA 密钥对
  • rsa_encrypt / rsa_encrypt_long / rsa_decrypt / rsa_algorithm - RSA 加密解密
  • aes_encrypt / aes_decrypt - AES 加密解密
  • des_encrypt / des_decrypt - DES 加密解密
  • des3_encrypt / des3_decrypt - 3DES 加密解密
• spiderkit.downloader
  • Downloader - 异步文件下载器
  • M3U8Downloader - M3U8 视频下载器
• spiderkit.storage
  • save_to_csv - 保存数据到 CSV 文件
  • save_to_json - 保存数据到 JSON 文件
  • save_to_jsonl - 保存数据到 JSONL 文件
• spiderkit.utils
  • parse_font / decrypt_text_with_font_maps / FontParseConfig - 字体解析与解密
  • md5 / sha1 / sha224 / sha256 / sha384 / sha512 / sha3_256 - 哈希函数
  • blake2b / blake2s - BLAKE2 哈希函数
  • to_json / convert_keys_to_snake_case / parse_cookies - 通用工具函数
• spiderkit.config
  • SpiderKitConfig / get_config / set_config - 全局配置管理

快速开始

加密解密

import os
from spiderkit.crypto import (
    generate_rsa_keypair, rsa_encrypt, rsa_encrypt_long, rsa_decrypt,
    aes_encrypt, aes_decrypt, des_encrypt, des_decrypt
)

plaintext = "Hello World!"

# RSA 加密解密
public_key, private_key = generate_rsa_keypair(key_size=2048)
rsa_encrypted = rsa_encrypt(plaintext, public_key, "OAEP", hash_algorithm="SHA256")
print(rsa_encrypted)
rsa_decrypted = rsa_decrypt(rsa_encrypted, private_key, "OAEP", hash_algorithm="SHA256")
print(rsa_decrypted)

# RSA 长文本分块加密
long_text = "这是一段很长的文本..." * 100
long_encrypted = rsa_encrypt_long(long_text, public_key, "OAEP")
print(long_encrypted)

# AES 加密解密
aes_key = os.urandom(32)
aes_iv = os.urandom(16)
aes_encrypted = aes_encrypt(plaintext, aes_key, "CBC", iv=aes_iv, output_format="base64")
print(aes_encrypted)
aes_decrypted = aes_decrypt(aes_encrypted, aes_key, "CBC", iv=aes_iv)
print(aes_decrypted)

# DES 加密解密
des_key = os.urandom(8)
des_encrypted = des_encrypt(plaintext, des_key, "ECB", output_format="hex")
print(des_encrypted)
des_decrypted = des_decrypt(des_encrypted, des_key, "ECB")
print(des_decrypted)

异步下载

from spiderkit.downloader import Downloader, M3U8Downloader

# 可选请求头 (部分网站加了防盗链需要 Referer 字段)
headers = {
    "Referer": "https://www.example.com/",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"
}

# 普通文件下载
downloader = Downloader(
    headers=headers,
    concurrency=16,
    timeout=10,
    max_retries=3,
    retry_delay=1.0
)
file_mapping = {
    "images/image1.jpg": "https://example.com/image1.jpg",
    "images/image2.jpg": "https://example.com/image2.jpg",
    "images/image3.jpg": "https://example.com/image3.jpg"
}
downloader.download_files(file_mapping)

# M3U8 视频下载 (需安装 ffmpeg)
m3u8_downloader = M3U8Downloader(headers=headers, concurrency=32)
m3u8_downloader.download_video(
    "https://example.com/video.m3u8",
    "output_video.mp4",
    cleanup_temp=True
)

字体解析

from spiderkit.utils import parse_font, decrypt_text_with_font_maps, FontParseConfig

# 解析字体文件 (支持本地路径或 URL)
font_maps = parse_font(
    "https://example.com/font.woff",
    download_dir="./fonts",
    save_json=True,
    json_file_path="./fonts/font_maps.json"
)

# 自定义解析配置
config = FontParseConfig(
    image_size=400,
    font_size=240,
    include_unicode_escape=True
)
font_maps = parse_font("fonts/font.ttf")

# 解密文本
encrypted_text = "加密的文本内容"
decrypted_text = decrypt_text_with_font_maps(encrypted_text, font_maps)
print(decrypted_text)

哈希计算

from spiderkit.utils import (
    md5, sha1, sha224, sha256, sha384, sha512,
    sha3_256, blake2b, blake2s
)

text = "Hello World!"

# 默认输出 hex 格式
print(md5(text))
print(sha1(text))
print(sha256(text))
print(sha512(text))

# SHA-2 系列
print(sha224(text))
print(sha384(text))

# SHA-3 系列
print(sha3_256(text))

# BLAKE2 系列
print(blake2b(text))
print(blake2s(text))

# 其他输出格式: binary / base64
print(md5(text, "binary"))
print(md5(text, "base64"))
print(sha256(text, "hex"))

数据存储

from spiderkit.storage import save_to_csv, save_to_json, save_to_jsonl

data = [
    {"name": "张三", "age": 25, "city": "北京"},
    {"name": "李四", "age": 30, "city": "上海"}
]

# 保存为 CSV (支持追加模式)
save_to_csv(data, "data/users.csv", mode="a", encoding="utf-8-sig")

# 保存为 JSON (自动合并已有数据)
save_to_json(data, "data/users.json", mode="a", ensure_ascii=False, indent=2)

# 保存为 JSONL (每行一个 JSON 对象)
save_to_jsonl(data, "data/users.jsonl", mode="a", ensure_ascii=False)

通用工具

from spiderkit.utils import to_json, convert_keys_to_snake_case, parse_cookies

# JSON 序列化
data = {"name": "张三", "age": 25}
json_str = to_json(data, indent=2)
print(json_str)

# 键名转换为 snake_case
camel_case_data = {
    "firstName": "张三",
    "lastName": "李",
    "userInfo": {"phoneNumber": "123456"}
}
snake_case_data = convert_keys_to_snake_case(camel_case_data)
print(snake_case_data)

# Cookies 解析
cookies_str = "session=abc123; user_id=456; token=xyz789"
cookies_dict = parse_cookies(cookies_str)
print(cookies_dict)

# 也支持字典输入
cookies_dict = parse_cookies({"session": "abc123", "user_id": 456})
print(cookies_dict)

使用建议

• Downloader.download_files 内部使用 asyncio.run, 若你已处于事件循环中, 请在外部自行编排协程
• 数据存储默认输出目录为 ./data, 写入模式默认 a (追加)
• M3U8 下载需要安装 ffmpeg, 确保命令行可用
• 字体解析使用 OCR 识别, 准确率取决于字体清晰度

配置

SpiderKit 提供统一配置入口, 可在运行时调整行为或用环境变量覆盖

from spiderkit.config import get_config, set_config, SpiderKitConfig

# 获取全局配置
config = get_config()
print(config.downloader_concurrency)
print(config.storage_default_dir)

# 修改配置
config.downloader_concurrency = 32
config.downloader_timeout = 30
config.storage_default_dir = "./exports"
config.log_level = "DEBUG"
set_config(config)

# 创建新配置实例
new_config = SpiderKitConfig(
    downloader_concurrency=64,
    downloader_timeout=60,
    storage_default_dir="./output",
    log_level="INFO"
)
set_config(new_config)

常用环境变量:

• SPIDERKIT_DOWNLOADER_CONCURRENCY - 下载并发数 (默认 16)
• SPIDERKIT_DOWNLOADER_TIMEOUT - 下载超时时间 (默认 10 秒)
• SPIDERKIT_DOWNLOADER_MAX_RETRIES - 最大重试次数 (默认 3)
• SPIDERKIT_DOWNLOADER_RETRY_DELAY - 重试延迟时间 (默认 1.0 秒)
• SPIDERKIT_FONT_SIZE - 字体渲染大小 (默认 240)
• SPIDERKIT_FONT_IMAGE_SIZE - 字体图片大小 (默认 400)
• SPIDERKIT_FONT_DOWNLOAD_TIMEOUT - 字体下载超时 (默认 15 秒)
• SPIDERKIT_STORAGE_DEFAULT_FORMAT - 默认存储格式 (默认 csv)
• SPIDERKIT_STORAGE_DEFAULT_DIR - 默认存储目录 (默认 ./data)
• SPIDERKIT_STORAGE_DEFAULT_MODE - 默认写入模式 (默认 a)
• SPIDERKIT_LOG_LEVEL - 日志级别 (默认 INFO)
• SPIDERKIT_TEMP_DIR - 临时文件目录 (默认 None)
• SPIDERKIT_CLEANUP_TEMP_FILES - 是否清理临时文件 (默认 true)