前言
Hi，大家好，又见面了，我是Python进阶者，废话不多说，直接开始肝吧，奥里给!
爬虫管理效果图
依赖包
文件:requirements.txt
文件的内容这里直接贴出来了：
- appdirs==1.4.4
- APScheduler==3.5.1
- attrs==20.1.0
- Automat==20.2.0
- beautifulsoup4==4.9.1
- certifi==2020.6.20
- cffi==1.14.2
- chardet==3.0.4
- constantly==15.1.0
- cryptography==3.0
- cssselect==1.1.0
- Django==1.11.29
- django-apscheduler==0.3.0
- django-cors-headers==3.2.0
- djangorestframework==3.9.2
- furl==2.1.0
- gerapy==0.9.5
- gevent==20.6.2
- greenlet==0.4.16
- hyperlink==20.0.1
- idna==2.10
- incremental==17.5.0
- itemadapter==0.1.0
- itemloaders==1.0.2
- Jinja2==2.10.1
- jmespath==0.10.0
- lxml==4.5.2
- MarkupSafe==1.1.1
- orderedmultidict==1.0.1
- parsel==1.6.0
- Protego==0.1.16
- pyasn1==0.4.8
- pyasn1-modules==0.2.8
- pycparser==2.20
- PyDispatcher==2.0.5
- pyee==7.0.2
- PyHamcrest==2.0.2
- pymongo==3.11.0
- PyMySQL==0.10.0
- pyOpenSSL==19.1.0
- pyppeteer==0.2.2
- pyquery==1.4.1
- python-scrapyd-api==2.1.2
- pytz==2020.1
- pywin32==228
- queuelib==1.5.0
- redis==3.5.3
- requests==2.24.0
- Scrapy==1.8.0
- scrapy-redis==0.6.8
- scrapy-splash==0.7.2
- scrapyd==1.2.1
- scrapyd-client==1.1.0
- service-identity==18.1.0
- six==1.15.0
- soupsieve==2.0.1
- tqdm==4.48.2
- Twisted==20.3.0
- tzlocal==2.1
- urllib3==1.25.10
- w3lib==1.22.0
- websocket==0.2.1
- websockets==8.1
- wincertstore==0.2
- zope.event==4.4
- zope.interface==5.1.0
项目文件
项目文件:qiushi.zip
实现功能:糗事百科段子爬虫,
这是Scrapy项目,依赖包如上
运行项目步骤
- 在安装好依赖包并且解压项目文件,pip install -r requirements.txt
- 执行命令scrapy crawl duanzi --nolog
配置Scrapyd
可以理解Scrapyd是一个管理我们写的Scrapy项目的,配置好这个之后,可以通过命令运行,暂停等操作控制爬虫
其他的就不说了,这个用的也不多,我们需要做的就是将它启动就可以了
启动Scrapyd服务
1.切换到qiushi爬虫项目目录下,Scrapy爬虫项目需要进入爬虫目录,才能执行命令
2.执行命令scrapyd
3.游览器输入http://127.0.0.1:6800/,出现以下图片代表正确
打包Scrapy上传到Scrapyd
上述只是启动了Scrapyd,但是并没有将Scrapy项目部署到Scrapy上,需要配置以下Scrapy的scrapy.cfg文件
配置如下
打包命令
- scrapyd-deploy <部署名> -p <项目名>
本次示例命令
- scrapyd-deploy qb -p qiushi
如图所示,出现以下图片表示成功
注:过程可能会有问题,解决办法我放在后面了!!!
再次回到游览器,会多了一个项目qiushi,到此为止,Scrapyd已经配置完毕
配置Gerapy
上述都配置完毕之后,就可以进行Gerapy配置了,其实Scrapyd的功能远不止上述那么少,但是是命令操作的,所以不友好,
Gerapy可视化的爬虫管理框架,使用时需要将Scrapyd启动,挂在后台,其实本质还是向Scrapyd服务发请求,只不过是可视化操作而已
基于 Scrapy、Scrapyd、Scrapyd-Client、Scrapy-Redis、Scrapyd-API、Scrapy-Splash、Jinjia2、Django、Vue.js 开发
配置步骤
Gerapy和Scrapy是没有关系的,所以可以随便选一个文件夹,这里我创建了一个gerapyDemo文件夹
执行命令初始化gerpay
- gerapy init
1.会生成一个gerapy文件夹
2.进入生成的gerapy文件夹中
3.执行命令,会生成一表
- gerapy migrate
4.启动gerapy服务,默认是8000端口,可以指定端口启动
- gerapy runserver
- gerapy runserver 127.0.0.1:9000 本机 9000端口启动
4.打开游览器,输入http://127.0.0.1:8000/,出现以下界面表示成功
当然,一般情况下,大概是这样的界面,我们需要生成账号密码
停止服务,输入命令gerapy creatsuperuser,根据提示创建账号密码就使用账号登录了
在Gerapy添加爬虫项目
上述都配置之后,我们就可以配置爬虫项目了,通过点点点的方式,就可以运行爬虫了
点击 主机管理-->创建,ip是Scrapyd服务的主机,端口是Scrapyd的端口,默认6800,填写后点击创建
然后在主机列表,调度中,就可以运行爬虫了
运行爬虫
获取结果,结果已经写入本地
打包爬虫上传
上述过程,我们只是能玩爬虫了,但是并不彻底,按照道理来说,我们还差一个打包过程,只有打包爬虫了,才算是真正的结合在一起了
步骤
1.首先需要将爬虫项目拷贝到gerapy下面的projects文件夹下
2.刷新页面,点击项目管理,可以看到可配置和打包都是x号状态
3.点击部署,写好描述,点击打包
4.再次回到主界面,可以发现打包已经是正确的了
至此,基本整个流程结束。
解决scrapyd-deploy不是内部外部命令
通常情况下,在执行scrapyd-deploy时,会提示scrapyd-deploy不是内部或外部命令,嗯...这个是正常操作
解决步骤
1.找到Python解释器下面的Scripts,新建scrapy.bat和scrapyd-deploy.bat两个文件
修改这两个文件，内容如下
- scrapy.bat
- @echo off
- D:\programFiles\miniconda3\envs\hy_spider\python D:\programFiles\miniconda3\envs\hy_spider\Scripts\scrapy %*
- scrapyd-deploy.bat
- @echo off
- D:\programFiles\miniconda3\envs\hy_spider\python D:\programFiles\miniconda3\envs\hy_spider\Scripts\scrapyd-deploy %*
注:红色方框表示是解释器的位置,上述内容是一行的,我粘贴过来怎么调都是两行...,一一对应好就好了。
Gerapy使用流程总结
- 1.gerapy init 初始化,会在文件夹下创建一个gerapy文件夹
- 2.cd gerapy
- 3.gerapy migrate
- 4.gerapy runserver 默认是127.0.0.1:8000
- 5.gerapy createsuperuser 创建账号密码,默认情况下都是没有的
- 6.游览器输入127.0.0.1:8000 登录账号密码,进入主页
- 7.各种操作,比如添加主机,打包项目,定时任务等
总结
上述以入门的方式解决了安排了以下如何通过Gerapy + Scrpyd + Scrapy可视化部署爬虫。
