/PyLoom

Python爬虫框架，内置微博、自如、豆瓣图书、拉勾网、拼多多等爬虫

Primary LanguagePython

PyLoom，爬龙！

PyLoom想为有价值的网站编写爬虫，让开发者便捷地获取结构化的数据。

PyLoom由三个部分组成，

  1. 框架，减少编写、运行、维护爬虫的工作量。

  2. 爬虫，寻找有价值的目标为其开发爬虫，并维护既有爬虫的可用性。

    预期19年底，PyLoom将拥有围绕电子商务、房屋租售、社交网络、新闻媒体的数十个爬虫。

  3. 升级爬虫，对于频繁使用的爬虫，增强其能力

    • 增强定制能力，例如支持限定地区、类别、关键字抓取；
    • 增强抓取策略，减少对代理、打码接口的使用；
    • 增强更新策略，更细粒度地计算重复抓取的时间。

目前进度，

①部分完成，开发常见爬虫够用了，随爬虫的开发迭代出更多功能；

②已有几款爬虫，放置于spiders目录。

安装

  1. 环境要求

    • python 3.6.0+
    • redis 2.6+
    • 类unix系统

  2. 安装PyLoom

    git clone https://github.com/spencer404/PyLoom.git
python3.6 -m pip install -e ./PyLoom

    添加 -i https://pypi.douban.com/simple 参数，利用豆瓣镜像提速。

    出现错误fatal error: Python.h: No such file or directory时，

    需安装对应平台的python3.x-devel包

运行

以运行spiders/WeiBo为例，

  1. 最简参数启动爬虫

    pyloom run -s PyLoom/spiders/WeiBo

    在爬虫目录中执行run时，可省略-s参数。

  2. 启动代理池

    pyloom proxy run

  3. 添加代理

    根据命令提示，添加名为"xxx"的代理

    pyloom proxy add

  4. 使用代理启动爬虫

    pyloom run --proxy xxx

    命令run的部分常用参数：

    -l, --level    日志级别
-s, --spider   指定爬虫目录
-r, --redis    指定redis地址(URL形式)
-C, --clear    清空队列、代理数据后运行
--proxy        使用指定代理运行，逗号分隔多个代理
--damon        作为守护进程运行
-p             子进程数量
-t             每个子进程的线程数量

    在多台服务器上运行时，若参数-s、-r所指向的目标相同，即可横向扩容性能。

    默认地，PyLoom将抓到数据打印在日志中，你可以修改on_save函数自定义如何保存。