python中feapder库安装及简单操作

1、feapder库安装

pip install feapder

2、创建爬虫

AirSpider 轻量爬虫：学习成本低，可快速上手
Spider 分布式爬虫：支持断点续爬、爬虫报警、数据自动入库等功能
BatchSpider 批次爬虫：可周期性的采集数据，自动将数据按照指定的采集周期划分。（如每7天全量更新一次商品销量的需求）

feapder对外暴露的接口类似scrapy，可由scrapy快速迁移过来。支持断点续爬、数据防丢、监控报警、浏览器渲染下载、海量数据去重等功能

feapder create -s first_spider

自动生成first_spider.py文件：

# -*- coding: utf-8 -*-
"""
Created on 2023-03-04 16:52:05
---------
@summary:
---------
@author: 86187
"""

import feapder


class FirstSpider(feapder.AirSpider):
    def start_requests(self):
        yield feapder.Request("https://spidertools.cn")

    def parse(self, request, response):
        # 提取网站title
        print(response.xpath("//title/text()").extract_first())
        # 提取网站描述
        print(response.xpath("//meta[@name='description']/@content").extract_first())
        print("网站地址: ", response.url)


if __name__ == "__main__":
    FirstSpider().start()

代码解释：

start_requests：生产任务
parse：解析数据

运行程序，结果如下：

3、示例操作

以书山有路网某个网页为例，获取书籍的一些信息：

3.1 创建爬虫

create -s get_books_detail_spider

3.2 修改生成的代码

下发任务：下发1~10页列表任务：

    def start_requests(self):
        for i in range(1, 10):
            if i == 1:
                yield feapder.Request("https://www.youlu.net/classify/2-0101-4138-1.html")
            else:
                yield feapder.Request(f"https://www.youlu.net/classify/2-0101-4139-{i}.html")

解析爬取的内容：

    def parse(self, request, response):
        # 提取网站title
        print(response.xpath("/html/head/title/text()").extract_first())
        # 提取网站所有书籍名称
        # print(response.xpath('//*[@id="classifyDefaultRight"]/div[5]/ul/li/div[2]/div[1]/a').extract_first())
        print(response.xpath('//*[@id="classifyDefaultRight"]/div[5]/ul/li/div[2]/div[1]/a'))
        print("网站地址: ", response.url)

运行程序：

注意：

3.3 抓取详情

抓详情需要将列表采集到的url作为新任务，然后请求，解析。

派发详情任务：

yield feapder.Request(url, callback=self.parser_detail)  # callback 为回调函数

需要携带3.2程序中获取的书籍标题中链接url

yield feapder.Request(
            first_book_name.split('" target="')[0][9:], callback=self.parse_detail, title=title, first_book_name=first_book_name
        )  # callback为回调函数,将title和first_book_name传到回调函数中,为携带的字段，直接携带就行，不用放到一个meta里

解析详情：

    def parse_detail(self, request, response):
        """
        解析详情
        :param request:
        :param response:
        :return:
        """
        # 获取url
        url = request.url
        # 获取title
        title = request.title
        # 获取第一本书名
        first_book_name = request.first_book_name
        # 获取第一本书详情中作者名字
        author = response.xpath('//*[@id="goods_disc"]/div[2]/ul/li[3]/div[2]/a/text()').extract_first()
        print(url)
        print(title)
        print(first_book_name)
        print(author)

整体代码如下：

# -*- coding: utf-8 -*-
"""
Created on 2023-03-04 17:15:29
---------
@summary:
---------
@author: 86187
"""

import feapder


class GetBooksDetailSpider(feapder.AirSpider):
    def start_requests(self):
        for i in range(1, 10):
            if i == 1:
                yield feapder.Request("https://www.youlu.net/classify/2-0101-4138-1.html")
            else:
                yield feapder.Request(f"https://www.youlu.net/classify/2-0101-4139-{i}.html")

    def parse(self, request, response):
        # 提取网站title
        title = response.xpath("/html/head/title/text()").extract_first().replace('\n', '').replace(' ', '')
        # print(title)
        # 提取网站所有书籍名称
        # print(response.xpath('//*[@id="classifyDefaultRight"]/div[5]/ul/li/div[2]/div[1]/a'))
        # 提取网站第一本书籍名称
        first_book_name = response.xpath('//*[@id="classifyDefaultRight"]/div[5]/ul/li/div[2]/div[1]/a').extract_first()
        # print(first_book_name)
        url = response.url
        # print(url)
        # print("网站地址: ", url)
        # yield feapder.Request(
        #     url, callback=self.parse_detail, title=title, first_book_name=first_book_name
        # )  # callback为回调函数
        yield feapder.Request(
            first_book_name.split('" target="')[0][9:], callback=self.parse_detail, title=title, first_book_name=first_book_name
        )  # callback为回调函数,将title和first_book_name传到回调函数中

    def parse_detail(self, request, response):
        """
        解析详情
        :param request:
        :param response:
        :return:
        """
        # 获取url
        url = request.url
        # 获取title
        title = request.title
        # 获取第一本书名
        first_book_name = request.first_book_name
        # 获取第一本书详情中作者名字
        author = response.xpath('//*[@id="goods_disc"]/div[2]/ul/li[3]/div[2]/a/text()').extract_first()
        print(url)
        print(title)
        print(first_book_name)
        print(author)


if __name__ == "__main__":
    GetBooksDetailSpider().start()

运行结果如下：

可以使用多线程来执行上述代码：

if __name__ == "__main__":
    GetBooksDetailSpider(thread_count=5).start()

4、架构设计

4.1 框架流程图

4.2 模块说明

spider 框架调度核心
parser_control 模版控制器，负责调度parser
collector 任务收集器，负责从任务队里中批量取任务到内存，以减少爬虫对任务队列数据库的访问频率及并发量
parser 数据解析器
start_request 初始任务下发函数
item_buffer 数据缓冲队列，批量将数据存储到数据库中
request_buffer 请求任务缓冲队列，批量将请求任务存储到任务队列中
request 数据下载器，封装了requests，用于从互联网上下载数据
response 请求响应，封装了response, 支持xpath、css、re等解析方式，自动处理中文乱码

4.3 流程说明

spider调度start_request生产任务
start_request下发任务到request_buffer中
spider调度request_buffer批量将任务存储到任务队列数据库中
spider调度collector从任务队列中批量获取任务到内存队列
spider调度parser_control从collector的内存队列中获取任务
parser_control调度request请求数据
request请求与下载数据
request将下载后的数据给response，进一步封装
将封装好的response返回给parser_control（图示为多个parser_control，表示多线程）
parser_control调度对应的parser，解析返回的response（图示多组parser表示不同的网站解析器）
parser_control将parser解析到的数据item及新产生的request分发到item_buffer与request_buffer
spider调度item_buffer与request_buffer将数据批量入库

文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/142741.html