Asyncpy协程爬虫框架爬虫lx-

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。

github: https://github.com/lixi5338619/asyncpy
pypi: 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：

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/ 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：

asyncpy genspider demo 

全局settings

如果要启动全局settings的话，需要在spider文件中通过settings_attr 传入settings：

import settings class DemoSpider(Spider):     name = 'demo'     start_urls = []     settings_attr = 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。

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：

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。

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": "https://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）

MIDDLEWARE = [ 'demo_middleware.middleware', ] 

方法2、在start()传入middleware:

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：

  item = {}   item['response'] = response.text   item['datetime'] = '2020-05-21 13:14:00' yield item 

在pipelines.py文件中：

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）

PIPELINES = [ 'pipelines.SpiderPipeline', ] 

方法2、在start()传入pipelines:

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

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。

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

感兴趣去 github 点个star吧 ，感谢大家！