爬虫基础 - feapder框架

1. 基本介绍

简介

  1. feapder是一款上手简单,功能强大的Python爬虫框架,内置AirSpiderSpiderTaskSpiderBatchSpider四种爬虫解决不同场景的需求。
  2. 支持断点续爬、监控报警、浏览器渲染、海量数据去重等功能。
  3. 更有功能强大的爬虫管理系统feaplat为其提供方便的部署及调度。

文档地址与环境配置

官方文档:https://feapder.com

# 在安装之前建议使用miniconda3创建一个新的虚拟环境
conda create -n feapder_base python=3.9
conda activate feapder_base

# 完整版安装指令
pip install "feapder[all]"

架构设计

模块名称 模块功能
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xpathcssre等解析方式,自动处理中文乱码

执行流程

  1. spider调度start_request生产任务
  2. start_request下发任务到request_buffer
  3. spider调度request_buffer批量将任务存储到任务队列数据库中
  4. spider调度collector从任务队列中批量获取任务到内存队列
  5. spider调度parser_controlcollector的内存队列中获取任务
  6. parser_control调度request请求数据
  7. request请求与下载数据
  8. request将下载后的数据给response,进一步封装
  9. 将封装好的response返回给parser_control(图示为多个parser_control,表示多线程)
  10. 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)
  11. parser_controlparser解析到的数据item及新产生的request分发到item_bufferrequest_buffer
  12. spider调度item_bufferrequest_buffer将数据批量入库

2. 组件详解

2.1 创建爬虫

feapder create -h  # 查看帮助

feapder create -s douban # 创建爬虫文件

执行命令后需要手动选择对应的爬虫模板,模板功能如下:

  • 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
  • TaskSpider分布式爬虫:内部封装了取种子任务的逻辑,内置支持从redis或者mysql获取任务,也可通过自定义实现从其他来源获取任务
  • 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)

命令执行成功后选择AirSpider模板。默认生成的代码继承了feapder.AirSpider,包含 start_requestsparser 两个函数,含义如下:

  1. feapder.AirSpider:轻量爬虫基类
  2. start_requests:初始任务下发入口
  3. feapder.Request:基于requests库类似,表示一个请求,支持requests所有参数,同时也可携带些自定义的参数,详情可参考Request
  4. parse:数据解析函数
  5. response:请求响应的返回体,支持xpathrecss等解析方式,详情可参考Response

除了start_requestsparser两个函数。系统还内置了下载中间件等函数,具体支持可参考BaseParser

2.2 使用AirSpider模板

# douban.py

# -*- coding: utf-8 -*-
"""
Created on 2023-12-18 19:10:28
---------
@summary:
---------
@author: poppies
"""

import feapder


class Douban(feapder.AirSpider):
    def start_requests(self):
        for page in range(10):
            yield feapder.Request(f"https://movie.douban.com/top250?start={page * 25}&filter=")

    def parse(self, request, response):
        li_list = response.xpath('//ol/li/div[@class="item"]')
        for li in li_list:
            item = dict()
            item['title'] = li.xpath('./div[@class="info"]/div/a/span[1]/text()').extract_first()
            item['detail_url'] = li.xpath('./div[@class="info"]/div/a/@href').extract_first()
            item['score'] = li.xpath('.//div[@class="star"]/span[2]/text()').extract_first()
            yield feapder.Request(item['detail_url'], callback=self.parse_detail, item=item)

    def parse_detail(self, request, response):
        if response.xpath('//div[@class="indent"]/span[@class="all hidden"]//text()'):
            request.item['detail_text'] = response.xpath(
                '//div[@class="indent"]/span[@class="all hidden"]//text()').extract_first().strip()
        else:
            request.item['detail_text'] = response.xpath(
                '//div[@class="indent"]/span[1]//text()').extract_first().strip()
        print(request.item)


if __name__ == "__main__":
    # 开启五个线程完成爬虫任务
    Douban(thread_count=5).start()

2.3 对接MySQL

在当前目录下创建insert_sql_info.py文件用于数据库建表:

from feapder.db.mysqldb import MysqlDB


db = MysqlDB(ip='localhost', port=3306, user_name='root', user_pass='root', db='py_spider')

sql = """
    create table if not exists douban_feapder(
        id int primary key auto_increment,
        title varchar(255) not null,
        score varchar(255) not null,
        detail_url varchar(255) not null,
        detail_text text
    );
"""
db.execute(sql)

# insert ignore: 数据插入,如果数据重复则忽略,例如id重复
insert_sql = """
    insert ignore into douban_feapder (id, title, score, detail_url, detail_text) values (
        0, '测试数据', 10, 'https://www.baidu.com', '测试数据'
    );
"""

db.add(insert_sql)

根据以上案例将豆瓣爬虫中获取的数据存储到MySQL中:

  1. 在项目文件夹之下创建配置文件用于连接MySQL

    feapder create --setting
    
  2. setting.py文件中激活MySQL数据库配置

    # MYSQL
    MYSQL_IP = "localhost"
    MYSQL_PORT = 3306
    MYSQL_DB = "py_spider"
    MYSQL_USER_NAME = "root"
    MYSQL_USER_PASS = "123456"
    
  3. 创建items文件

    # 在创建items文件之前必须确保文件名与数据库已存在的表名一致
    feapder create -i douban_feapder
    
    # -*- coding: utf-8 -*-
    """
    Created on 2023-12-18 20:10:06
    ---------
    @summary:
    ---------
    @author: poppies
    """
    
    from feapder import Item
    
    
    class DoubanFeapderItem(Item):
        """
        This class was generated by feapder
        command: feapder create -i douban_feapder
        """
    
        __table_name__ = "douban_feapder"
    
        def __init__(self, *args, **kwargs):
            # self.id = None
            self.title = None
            self.score = None
            self.detail_url = None
            self.detail_text = None
    
  4. 将生成的DoubanFeapderItem类载入到douban.py文件中

    # -*- coding: utf-8 -*-
    """
    Created on 2023-12-18 19:10:28
    ---------
    @summary:
    ---------
    @author: poppies
    """
    
    import feapder
    from douban_feapder_item import DoubanFeapderItem
    
    
    class Douban(feapder.AirSpider):
        def start_requests(self):
            for page in range(11):
                yield feapder.Request(f"https://movie.douban.com/top250?start={page * 25}&filter=")
    
        def parse(self, request, response):
            li_list = response.xpath('//ol/li/div[@class="item"]')
            for li in li_list:
                # 将字典类型替换成DoubanFeapderItem用于数据校验
                item = DoubanFeapderItem()
                item['title'] = li.xpath('./div[@class="info"]/div/a/span[1]/text()').extract_first()
                item['detail_url'] = li.xpath('./div[@class="info"]/div/a/@href').extract_first()
                item['score'] = li.xpath('.//div[@class="star"]/span[2]/text()').extract_first()
                yield feapder.Request(item['detail_url'], callback=self.parse_detail, item=item)
    
        def parse_detail(self, request, response):
            if response.xpath('//div[@class="indent"]/span[@class="all hidden"]//text()'):
                request.item['detail_text'] = response.xpath(
                    '//div[@class="indent"]/span[@class="all hidden"]//text()').extract_first().strip()
            else:
                request.item['detail_text'] = response.xpath(
                    '//div[@class="indent"]/span[1]//text()').extract_first().strip()
    
            # 执行yield会将解析好的数据保存到数据库中
            yield request.item
    
    
    if __name__ == "__main__":
        Douban().start()
    

2.4 下载中间件

  • 下载中间件用于在请求之前,对请求做一些处理,如添加cookieheader
  • 默认所有的解析函数在请求之前都会经过此下载中间件
# -*- coding: utf-8 -*-
"""
Created on 2023-12-18 19:10:28
---------
@summary:
---------
@author: poppies
"""

import feapder


class Douban(feapder.AirSpider):
    def start_requests(self):
        for page in range(11):
            yield feapder.Request(f"https://movie.douban.com/top250?start={page * 25}&filter=")

    # 默认的下载中间件
    def download_midware(self, request):
        request.headers = {
            'User-Agent': 'abc'
        }
        request.proxies = {
            "http": "http://127.0.0.1:7890"
        }
        return request


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

除了可以重写默认的下载中间件之外,也可以自定义下载中间件:使用Request对象中的download_midware参数指定自己创建的中间件方法名即可。

# -*- coding: utf-8 -*-
"""
Created on 2023-12-18 19:10:28
---------
@summary:
---------
@author: poppies
"""

import feapder


class Douban(feapder.AirSpider):
    def start_requests(self):
        for page in range(11):
            yield feapder.Request(f"https://movie.douban.com/top250?start={page * 25}&filter=",
                                  download_midware=self.custom_download_midware)

    def custom_download_midware(self, request):
        request.headers = {
            'User-Agent': '123'
        }
        return request


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

2.5 校验响应对象

  • feapder框架给到一个方法validate用来检验返回的数据是否正常。
  • 框架支持重试机制,下载失败或解析函数抛出异常会自动重试请求。
  • 默认最大重试次数为10次,我们可以引入配置文件或自定义配置来修改重试次数
# 校验函数源码
def validate(self, request, response):
    """
    @summary: 校验函数, 可用于校验response是否正确
    若函数内抛出异常,则重试请求
    若返回True或None,则进入解析函数
    若返回False,则抛弃当前请求
    可通过request.callback_name 区分不同的回调函数,编写不同的校验逻辑
    ---------
    @param request:
    @param response:
    ---------
    @result: True / None / False
    """

    pass

代码示例

# -*- coding: utf-8 -*-
"""
Created on 2023-12-18 19:10:28
---------
@summary:
---------
@author: poppies
"""

import feapder
from douban_feapder_item import DoubanFeapderItem


class Douban(feapder.AirSpider):
    def start_requests(self):
        for page in range(11):
            yield feapder.Request(f"https://movie.douban.com/top250?start={page * 25}&filter=", download_midware=self.custom_download_midware)

    def custom_download_midware(self, request):
        request.headers = {
            'User-Agent': '123'
        }

        request.proxies = {
            "http": "http://127.0.0.1:7890"
        }
        return request

    def parse(self, request, response):
        li_list = response.xpath('//ol/li/div[@class="item"]')
        for li in li_list:
            # 将字典类型替换成DoubanFeapderItem用于数据校验
            item = DoubanFeapderItem()
            item['title'] = li.xpath('./div[@class="info"]/div/a/span[1]/text()').extract_first()
            item['detail_url'] = li.xpath('./div[@class="info"]/div/a/@href').extract_first()
            item['score'] = li.xpath('.//div[@class="star"]/span[2]/text()').extract_first()
            yield feapder.Request(item['detail_url'], callback=self.parse_detail, item=item)

    def parse_detail(self, request, response):
        if response.xpath('//div[@class="indent"]/span[@class="all hidden"]//text()'):
            request.item['detail_text'] = response.xpath(
                '//div[@class="indent"]/span[@class="all hidden"]//text()').extract_first().strip()
        else:
            request.item['detail_text'] = response.xpath(
                '//div[@class="indent"]/span[1]//text()').extract_first().strip()

        # 执行yield会将解析好的数据保存到数据库中
        yield request.item

    def validate(self, request, response):
        print('响应状态码:', response.status_code)
        if response.status_code != 200:
            raise Exception("状态码异常")  # 请求重试


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

2.6 浏览器渲染 - selenium

采集动态页面时(Ajax渲染的页面),常用的有两种方案。一种是找接口拼参数,这种方式比较复杂但效率高,需要一定的爬虫功底;另外一种是采用浏览器渲染的方式,直接获取源码,简单方便

框架内置一个浏览器渲染池,默认的池大小为1,请求时重复利用浏览器实例,只有当代理失效请求异常时,才会销毁、创建一个新的浏览器实例

内置浏览器渲染支持 CHROMEEDGEPHANTOMJSFIREFOX

使用方式

def start_requests(self):
    # 在返回的Request中传递render=True即可。
    yield feapder.Request("https://news.qq.com/", render=True)

注意点:需要在setting.py文件中开启自动化配置。

# 在setting.py中有以下代码配置

# 浏览器渲染
WEBDRIVER = dict(
    pool_size=1,  # 浏览器的数量
    load_images=True,  # 是否加载图片
    user_agent=None,  # 字符串 或 无参函数,返回值为user_agent
    proxy=None,  # xxx.xxx.xxx.xxx:xxxx 或 无参函数,返回值为代理地址
    headless=False,  # 是否为无头浏览器
    driver_type="CHROME",  # CHROME、EDGE、PHANTOMJS、FIREFOX
    timeout=30,  # 请求超时时间
    window_size=(1024, 800),  # 窗口大小
    executable_path=None,  # 浏览器路径,默认为默认路径
    render_time=0,  # 渲染时长,即打开网页等待指定时间后再获取源码
    custom_argument=[
        "--ignore-certificate-errors",
        "--disable-blink-features=AutomationControlled",
    ],  # 自定义浏览器渲染参数
    xhr_url_regexes=None,  # 拦截xhr接口,支持正则,数组类型
    auto_install_driver=True,  # 自动下载浏览器驱动 支持chrome 和 firefox
    download_path=None,  # 下载文件的路径
    use_stealth_js=False,  # 使用stealth.min.js隐藏浏览器特征
)

以上配置含有浏览器驱动路径:executable_path,如果在默认情况下启动报错则手动配置浏览器驱动文件路径。

示例代码

import feapder
from selenium.webdriver.common.by import By
from feapder.utils.webdriver import WebDriver


class Baidu(feapder.AirSpider):
    def start_requests(self):
        yield feapder.Request("https://www.baidu.com", render=True)

    def parse(self, request, response):
        browser: WebDriver = response.browser
        browser.find_element(By.ID, 'kw').send_keys('feapder')
        browser.find_element(By.ID, 'su').click()


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

拦截动态数据接口

可以对api数据接口进行拦截,需要在settings.py中配置xhr_url_regexes项。

# 需要在settings.py中配置
WEBDRIVER = dict(
    ...
    xhr_url_regexes=[
        "接口1正则",
        "接口2正则",
    ]
)

获取数据

browser: WebDriver = response.browser
# 提取文本
text = browser.xhr_text("接口1正则")
# 提取json
data = browser.xhr_json("接口2正则")

获取对象

browser: WebDriver = response.browser
xhr_response = browser.xhr_response("接口正则")
print("请求接口", xhr_response.request.url)
print("请求头", xhr_response.request.headers)
print("请求体", xhr_response.request.data)
print("返回头", xhr_response.headers)
print("返回地址", xhr_response.url)
print("返回内容", xhr_response.content)

3. 创建完整项目

3.1 创建项目指令

feapder create -p <project_name>
feapder create -p wp_shop

项目创建成功后会存在以下目录:

  • items文件夹: 存放与数据库表映射的item
  • spiders文件夹: 文件夹存放爬虫脚本
  • main.py文件: 运行入口
  • setting.py文件: 爬虫配置文件

3.2 数据入库

settings.py配置

# MYSQL
MYSQL_IP = "localhost"
MYSQL_PORT = 3306
MYSQL_DB = "py_spider"
MYSQL_USER_NAME = "root"
MYSQL_USER_PASS = "root"

在项目根目录下创建create_table.py文件

from feapder.db.mysqldb import MysqlDB

db = MysqlDB(ip='localhost', user_name='root', user_pass='root', db='py_spider')
create_table_sql = """
    create table wp_shop_info(
        id int primary key auto_increment,
        title varchar(255) default null,
        price varchar(255) default null
    );
"""
db.execute(create_table_sql)

创建items文件

cd items

# item文件名称是数据表名称
feapder create -i wp_shop_info

3.3 创建爬虫脚本

cd spiders
feapder create -s wp_spider

wp_spider.py

# -*- coding: utf-8 -*-
"""
Created on 2024-03-19 20:32:21
---------
@summary:
---------
@author: poppies
"""

import time
import feapder
from random import randint
from items import wp_shop_info_item
from selenium.webdriver.common.by import By
from feapder.utils.webdriver import WebDriver


class WpSpider(feapder.AirSpider):
    def start_requests(self):
        url = 'https://category.vip.com/suggest.php?keyword=%E7%94%B5%E8%84%91&ff=235%7C12%7C1%7C1&page={}'
        for page in range(1, 13):
            yield feapder.Request(url=url.format(page), render=True)

    def parse(self, request, response):
        browser: WebDriver = response.browser
        # 让浏览器等待加载数据
        time.sleep(2)
        # 页面下滑
        self.drop_down(browser)

        div_list = browser.find_elements(
            By.XPATH,
            '//section[@id="J_searchCatList"]/div[@class="c-goods-item  J-goods-item c-goods-item--auto-width"]'
        )
        for div in div_list:
            price = div.find_element(By.XPATH,
                                     './/div[@class="c-goods-item__sale-price J-goods-item__sale-price"]').text

            title = div.find_element(By.XPATH, './/div[2]/div[2]').text

            item = wp_shop_info_item.WpShopInfoItem()

            item['title'] = title
            item['price'] = price
            # print(item)
            yield item  # 将商品数据保存到MySQL中

    def drop_down(self, browser):
        for i in range(1, 12):
            js_code = f'document.documentElement.scrollTop = {i * 1000}'
            browser.execute_script(js_code)
            time.sleep(randint(1, 2))


if __name__ == "__main__":
    # thread_count表示开启的线程数量
    WpSpider(thread_count=1).start()

posted @ 2025-07-22 16:58  Steven0325  阅读(5)  评论(0)    收藏  举报