python - 使用 scrapy 从 200k 域中提取文本

Question

我的问题是:我想从某个域(例如 www.example.com)中提取所有有值(value)的文本。所以我去这个网站并访问最大深度为 2 的所有链接并将其写入 csv 文件。

我用 scrapy 编写了这个模块，它使用 1 个进程并产生多个爬虫来解决这个问题，但它效率低下 - 我能够爬取 ~1k 域/~5k 网站/小时，据我所知我的瓶颈是CPU(因为 GIL？)。离开我的电脑一段时间后，我发现我的网络连接断开了。

当我想使用多个进程时，我刚从扭曲中得到错误:Multiprocessing of Scrapy Spiders in Parallel Processes所以这意味着我必须学习 twisted，与 asyncio 相比，我会说我不赞成，但这只是我的意见。

所以我有几个想法该怎么做

• 反击并尝试学习 twisted 并使用 Redis 实现多处理和分布式队列，但我不认为 scrapy 是适合此类工作的工具。
• 使用 pyspider - 它具有我需要的所有功能(我从未使用过)
• 使用 nutch - 它非常复杂(我从未使用过)
• 尝试构建我自己的分布式爬虫，但在爬取 4 个网站后，我发现了 4 个极端情况:SSL、重复、超时。但是添加一些修改很容易，例如:集中爬行。

您推荐什么解决方案？

Edit1:共享代码

class ESIndexingPipeline(object):
    def __init__(self):
        # self.text = set()
        self.extracted_type = []
        self.text = OrderedSet()
        import html2text
        self.h = html2text.HTML2Text()
        self.h.ignore_links = True
        self.h.images_to_alt = True

    def process_item(self, item, spider):
        body = item['body']
        body = self.h.handle(str(body, 'utf8')).split('\n')

        first_line = True
        for piece in body:
            piece = piece.strip(' \n\t\r')
            if len(piece) == 0:
                first_line = True
            else:
                e = ''
                if not self.text.empty() and not first_line and not regex.match(piece):
                    e = self.text.pop() + ' '
                e += piece
                self.text.add(e)
                first_line = False

        return item

    def open_spider(self, spider):
        self.target_id = spider.target_id
        self.queue = spider.queue

    def close_spider(self, spider):
        self.text = [e for e in self.text if comprehension_helper(langdetect.detect, e) == 'en']
        if spider.write_to_file:
            self._write_to_file(spider)

    def _write_to_file(self, spider):
        concat = "\n".join(self.text)
        self.queue.put([self.target_id, concat])

调用:

def execute_crawler_process(targets, write_to_file=True, settings=None, parallel=800, queue=None):
    if settings is None:
        settings = DEFAULT_SPIDER_SETTINGS

    # causes that runners work sequentially
    @defer.inlineCallbacks
    def crawl(runner):
        n_crawlers_batch = 0
        done = 0
        n = float(len(targets))
        for url in targets:
            #print("target: ", url)
            n_crawlers_batch += 1
            r = runner.crawl(
                TextExtractionSpider,
                url=url,
                target_id=url,
                write_to_file=write_to_file,
                queue=queue)
            if n_crawlers_batch == parallel:
                print('joining')
                n_crawlers_batch = 0
                d = runner.join()
                # todo: print before yield
                done += n_crawlers_batch
                yield d  # download rest of data
        if n_crawlers_batch < parallel:
            d = runner.join()
            done += n_crawlers_batch
            yield d

        reactor.stop()

    def f():
        runner = CrawlerProcess(settings)
        crawl(runner)
        reactor.run()

    p = Process(target=f)
    p.start()

蜘蛛不是特别有趣。

Answer 1

您可以使用 Scrapy-Redis .它基本上是一个 Scrapy 蜘蛛，它从 Redis 的队列中获取要爬取的 URL。 优点是您可以启动许多并发的蜘蛛，这样您就可以更快地爬行。蜘蛛的所有实例都会从队列中拉取 URL，并在用完要抓取的 URL 时空闲等待。 Scrapy-Redis 的存储库附带一个示例项目来实现这一点。

我使用 Scrapy-Redis 启动了 64 个爬虫实例，在大约 1 小时内抓取了 100 万个 URL。