pyJAVBus

Description:

JAVBus 爬虫项目练手项目,老司机专属

Ajax抓取使用注意事项:

Python 使用 'scrapy-splash' 库 Docker 使用 scrapinghub/splash

Warning:

CentOS Only Python3 Only

1. 脚本中运行Docker与清除Swap功能仅在 Centos 系统下运用
2. 请在本地数据添加 JavBusPython 数据库
3. 数据库要求'UTF8'格式,可通过 phpAdmin添加,如果格式不对，日文无法插入

USAGE:

1. 先安装Python依赖库

pip install -r require.txt

2.安装 Docker Image

docker pull scrapinghub/splash

3. 运行 Docker (脚本集成了开启Docker功能 与 清除SwapMemory)功能

docker run -p 8050:8050 scrapinghub/splash

4.运行爬虫

python -m scrapy crawl JavbusSpider

PS: 需要修改地方:

pipelines.py 中数据库信息 JavbusSpider.py 中爬取页面深度,默认第一第二页

关于部署(非必须,可手动开启脚本):

1. 使用 scrapyd 与 scrapyd-client , 已经包含在 require.txt 中

2. 开启 Scrapyd 服务

scrapyd

或者后台开启

nohup scrapyd > /dev/null 2>&1 &

开启后可通过 http://localhost:6800 访问

如果部署在远程服务器，需要访问的话，需要修改Package下的config

如: 使用 pip 安装 , 则在 Python 安装环境库下 xxx(python库路径)/site-packages/scrapyd/default_scrapyd.conf

修改 'bind_address = 0.0.0.0' , 然后开启防火墙规则,然后其他远侧会给你电脑能通过 http://服务器ip:6800 访问 GUI 控制台

3. 部署爬虫

进入项目, 修改 scrapy.cfg 中 url

命令行输入

scrapyd-deploy [deploy_name]

进行部署,deploy_name 为 命令行

scrapyd-deploy -l

中显示的名字

4. 运行爬虫

使用API 启动一个爬虫

curl http://localhost:6800/schedule.json -d project=PROJECT_NAME -d spider=SPIDER_NAME

停止爬虫

curl http://localhost:6800/cancel.json -d project=PROJECT_NAME -d job=JOB_ID

project_name 为爬虫scrapy.cfg项目名

spider 为项目中爬虫名字,[Spider文件夹下的]

6. 通过访问 http://ip:6800 观察爬虫情况

Last But Not Least

脚本只是提供提供爬取信息插入数据库收藏，此脚本不包括下载图片功能,如果需要下载图片数据,可运行

python JAVBusImageDownloader.py

下载数据库中所有信息中的图片,保存地址为文件夹根目录上一级目录，新建 PYJavBus 文件夹中