基于gevent和多线程模型的爬虫：Vulcan Spider
jopen
10年前
基于gevent和多线程模型，支持WebKit引擎的动态爬虫框架。
特性
- 支持gevent和多线程两种并行模型
- 支持Webkit引擎 (dom parse,ajax fetch,etc...)
- 多个自定义选项设置
- 最大爬取深度限制
- 最大抓取URL数限制
- 同源（域）限制
- 自定义头部 (UA,Cookies,etc...)
依赖
- python 2.7+ (must)
- gevent 1.0 (must)
- lxml 2.3 (must,for static parsing)
- chardet 2.2.1 (must)
- requests 1.2.3 (must)
- splinter 0.6.0 (optional,webkit framework for dynamic parsing)
- phantomjs 1.9 (optional,webkit engine)
说明
1, 框架由两部分组成：
- fetcher:下载器，负责获取HTML，送入crawler。
- crawler:爬取器，负责解析并爬取HTML中的URL，送入fetcher。
fetcher和crawler两部分独立工作，互不干扰，通过queue进行链接。fetcher需要发送HTTP请求，涉及到阻塞操作，使用gevent池控制。crawler没有涉及阻塞操作，但为了扩展可以自选gevent池和多线程池两种模型控制。
2, 爬虫相关选项说明：
- concurrent_num : 并行crawler和fetcher数量
- crawl_tags : 爬行时收集URL所属标签列表
- depth : 爬行深度限制
- max_url_num : 最大收集URL数量
- internal_timeout : 内部调用超时时间
- spider_timeout : 爬虫超时时间
- crawler_mode : 爬取器模型(0:多线程模型,1:gevent模型)
- same_origin : 是否限制相同域下
- dynamic_parse : 是否使用WebKit动态解析
示例
spider = Spider(concurrent_num=20,depth=3,max_url_num=300,crawler_mode=1) spider.feed_url("http://www.baidu.com/") spider.start()
TODO
- URL拆分成独立部分存储(pagename,params,fragments,post data)
- 相似URL合并
- 保证了框架运行的稳定性，抛砖引玉。