Python 爬蟲(chóng) | feapder 與 Scrapy 橫評(píng)對(duì)比，你會(huì)選擇哪個(gè)？
本篇文章在源碼層面比對(duì)feapder、scrapy 、scrapy-redis的設(shè)計(jì)，閱讀本文后，會(huì)加深您對(duì)scrapy以及feapder的了解，以及為什么推薦使用feapder
Scrapy分析
1. 解析函數(shù)或數(shù)據(jù)入庫(kù)出錯(cuò)，不會(huì)重試，會(huì)造成一定的數(shù)據(jù)丟失
scrapy自帶的重試中間件只支持請(qǐng)求重試，解析函數(shù)內(nèi)異常或者數(shù)據(jù)入庫(kù)異常不會(huì)重試，但爬蟲(chóng)在請(qǐng)求數(shù)據(jù)時(shí)，往往會(huì)有一些意想不到的頁(yè)面返回來(lái)，若我們解析異常了，這條任務(wù)豈不是丟了。
當(dāng)然有些大佬可以通過(guò)一些自定義中間件的方式或者加異常捕獲的方式來(lái)解決，我們這里只討論自帶的。
2. 運(yùn)行方式，需借助命令行，不方便調(diào)試
若想直接運(yùn)行，需編寫(xiě)如下文件，麻煩
from scrapy import cmdline
name = 'spider_name'
cmd = 'scrapy crawl {0}'.format(name)
cmdline.execute(cmd.split()
為什么必須通過(guò)命令行方式呢？因?yàn)閟crapy是通過(guò)這種方式來(lái)加載項(xiàng)目中的settings.py文件的
3. 入庫(kù)pipeline，不能批量入庫(kù)
class TestScrapyPipeline(object):
def process_item(self, item, spider):
return item
pipelines里的item是一條條傳過(guò)來(lái)的，沒(méi)法直接批量入庫(kù)，但數(shù)據(jù)量大的時(shí)候，我們往往是需要批量入庫(kù)的，以節(jié)省數(shù)據(jù)庫(kù)的性能開(kāi)銷(xiāo)，加快入庫(kù)速度
Scrapy-redis分析
scrapy-redis任務(wù)隊(duì)列使用redis做的，初始任務(wù)存在 [spider_name]:start_urls里，爬蟲(chóng)產(chǎn)生的子鏈接存在[spider_name]:requests下，那么我們先看下redis里的任務(wù)
1. redis中的任務(wù)可讀性不好
我們看下子鏈任務(wù)，可以看到存儲(chǔ)的是序列化后的，這種可讀性不好
2. 取任務(wù)時(shí)直接彈出，會(huì)造成任務(wù)丟失
我們分析下scrapy-redis幾種任務(wù)隊(duì)列，取任務(wù)時(shí)都是直接把任務(wù)彈出來(lái)，如果任務(wù)剛彈出來(lái)爬蟲(chóng)就意外退出，那剛彈出的這條任務(wù)就會(huì)丟失。
FifoQueue（先進(jìn)先出隊(duì)列） 使用list集合
PriorityQueue（優(yōu)先級(jí)隊(duì)列），使用zset集合
LifoQueue（先進(jìn)后出隊(duì)列），使用list集合
scrapy-redis默認(rèn)使用PriorityQueue隊(duì)列，即優(yōu)先級(jí)隊(duì)列
3. 去重耗內(nèi)存
使用redis的set集合對(duì)request指紋進(jìn)行去重，這種面對(duì)海量數(shù)據(jù)去重對(duì)redis內(nèi)存容量要求很高
4. 需單獨(dú)維護(hù)個(gè)下發(fā)種子任務(wù)的腳本
feapder分析
feapder內(nèi)置 AirSpider、Spider、BatchSpider三種爬蟲(chóng)，AirSpider對(duì)標(biāo)Scrapy，Spider對(duì)標(biāo)scrapy-redis，BatchSpider則是應(yīng)于周期性采集的需求，如每周采集一次商品的銷(xiāo)量等場(chǎng)景
上述問(wèn)題解決方案
1. 解析函數(shù)或數(shù)據(jù)入庫(kù)出錯(cuò)，不會(huì)重試，會(huì)造成一定的數(shù)據(jù)丟失
feapder對(duì)請(qǐng)求、解析、入庫(kù)進(jìn)行了全面的異常捕獲，任何位置出現(xiàn)異常會(huì)自動(dòng)重試請(qǐng)求，若有不想重試的請(qǐng)求也可指定
2. 運(yùn)行方式，需借助命令行，不方便調(diào)試
feapder支持直接運(yùn)行，跟普通的python腳本沒(méi)區(qū)別，可以借助pycharm調(diào)試。
除了斷點(diǎn)調(diào)試，feapder還支持將爬蟲(chóng)轉(zhuǎn)為Debug爬蟲(chóng)，Debug爬蟲(chóng)模式下，可指定請(qǐng)求與解析函數(shù)，生產(chǎn)的任務(wù)與數(shù)據(jù)不會(huì)污染正常環(huán)境
3. 入庫(kù)pipeline，不能批量入庫(kù)
feapder 生產(chǎn)的數(shù)據(jù)會(huì)暫存內(nèi)存的隊(duì)列里，積攢一定量級(jí)或每0.5秒批量傳給pipeline，方便批量入庫(kù)
def save_items(self, table, items: List[Dict]) -> bool:
pass
這里有人會(huì)有疑問(wèn)
數(shù)據(jù)放到內(nèi)存里了，會(huì)不會(huì)造成擁堵？
答：不會(huì)，這里限制了最高能積攢5000條的上限，若到達(dá)上限后，爬蟲(chóng)線(xiàn)程會(huì)強(qiáng)制將數(shù)據(jù)入庫(kù)，然后再生產(chǎn)數(shù)據(jù)
若爬蟲(chóng)意外退出，數(shù)據(jù)會(huì)不會(huì)丟？
答：不會(huì)，任務(wù)會(huì)在數(shù)據(jù)入庫(kù)后再刪除，若意外退出了，產(chǎn)生這些數(shù)據(jù)的任務(wù)會(huì)重做
入庫(kù)失敗了怎么辦？
答：入庫(kù)失敗，任務(wù)會(huì)重試，數(shù)據(jù)會(huì)重新入庫(kù)，若失敗次數(shù)到達(dá)配置的上限會(huì)報(bào)警
4. redis中的任務(wù)可讀性不好
feapder對(duì)請(qǐng)求里常用的字段沒(méi)有序列化，只有那些json不支持的對(duì)象才進(jìn)行序列化
5. 取任務(wù)時(shí)直接彈出，會(huì)造成任務(wù)丟失
feapder在獲取任務(wù)時(shí)，沒(méi)直接彈出，任務(wù)采用redis的zset集合存儲(chǔ)，每次只取小于當(dāng)前時(shí)間搓分?jǐn)?shù)的任務(wù)，同時(shí)將取到的任務(wù)分?jǐn)?shù)修改為當(dāng)前時(shí)間搓+10分鐘，防止其他爬蟲(chóng)取到重復(fù)的任務(wù)。若爬蟲(chóng)意外退出，這些取到的任務(wù)其實(shí)還在任務(wù)隊(duì)列里，并沒(méi)有丟失
6. 去重耗內(nèi)存
feapder支持三種去重方式
內(nèi)存去重：采用可擴(kuò)展的bloomfilter結(jié)構(gòu)，基于內(nèi)存，去重一萬(wàn)條數(shù)據(jù)約0.5秒，一億條數(shù)據(jù)占用內(nèi)存約285MB 臨時(shí)去重：采用redis的zset集合存儲(chǔ)數(shù)據(jù)的md5值，去重可指定時(shí)效性。去重一萬(wàn)條數(shù)據(jù)約0.26秒，一億條數(shù)據(jù)占用內(nèi)存約1.43G 永久去重：采用可擴(kuò)展的bloomfilter結(jié)構(gòu)，基于redis，去重一萬(wàn)條數(shù)據(jù)約0.5秒，一億條數(shù)據(jù)占用內(nèi)存約285MB
7. 分布式爬蟲(chóng)需單獨(dú)維護(hù)個(gè)下發(fā)種子任務(wù)的腳本
feapder沒(méi)種子任務(wù)和子鏈接的分別，yield feapder.Request都會(huì)把請(qǐng)求下發(fā)到任務(wù)隊(duì)列，我們可以在start_requests編寫(xiě)下發(fā)種子任務(wù)的邏輯
這里又有人會(huì)有疑問(wèn)了
我爬蟲(chóng)啟動(dòng)多份時(shí)，
start_requests不會(huì)重復(fù)調(diào)用，重復(fù)下發(fā)種子任務(wù)么？答：不會(huì)，分布式爬蟲(chóng)在調(diào)用
start_requests時(shí)，會(huì)加進(jìn)程鎖，保證只能有一個(gè)爬蟲(chóng)調(diào)用這個(gè)函數(shù)。并且若任務(wù)隊(duì)列中有任務(wù)時(shí)，爬蟲(chóng)會(huì)走斷點(diǎn)續(xù)爬的邏輯，不會(huì)執(zhí)行start_requests那支持手動(dòng)下發(fā)任務(wù)么
答：支持，按照f(shuō)eapder的任務(wù)格式，往redis里扔任務(wù)就好，爬蟲(chóng)支持常駐等待任務(wù)
三種爬蟲(chóng)簡(jiǎn)介
1. AirSpider
使用PriorityQueue作為內(nèi)存任務(wù)隊(duì)列，不支持分布式，示例代碼
import feapder
class AirSpiderDemo(feapder.AirSpider):
def start_requests(self):
yield feapder.Request("https://www.baidu.com")
def parse(self, request, response):
print(response)
if __name__ == "__main__":
AirSpiderDemo().start()
2. Spider
分布式爬蟲(chóng)，支持啟多份，爬蟲(chóng)意外終止，重啟后會(huì)斷點(diǎn)續(xù)爬
import feapder
class SpiderDemo(feapder.Spider):
# 自定義數(shù)據(jù)庫(kù)，若項(xiàng)目中有setting.py文件，此自定義可刪除
__custom_setting__ = dict(
REDISDB_IP_PORTS="localhost:6379", REDISDB_USER_PASS="", REDISDB_DB=0
)
def start_requests(self):
yield feapder.Request("https://www.baidu.com")
def parse(self, request, response):
print(response)
if __name__ == "__main__":
SpiderDemo(redis_key="xxx:xxx").start()
3. BatchSpider
批次爬蟲(chóng)，擁有分布式爬蟲(chóng)所有特性，支持分布式
import feapder
class BatchSpiderDemo(feapder.BatchSpider):
# 自定義數(shù)據(jù)庫(kù)，若項(xiàng)目中有setting.py文件，此自定義可刪除
__custom_setting__ = dict(
REDISDB_IP_PORTS="localhost:6379",
REDISDB_USER_PASS="",
REDISDB_DB=0,
MYSQL_IP="localhost",
MYSQL_PORT=3306,
MYSQL_DB="feapder",
MYSQL_USER_NAME="feapder",
MYSQL_USER_PASS="feapder123",
)
def start_requests(self, task):
yield feapder.Request("https://www.baidu.com")
def parse(self, request, response):
print(response)
if __name__ == "__main__":
spider = BatchSpiderDemo(
redis_key="xxx:xxxx", # redis中存放任務(wù)等信息的根key
task_table="", # mysql中的任務(wù)表
task_keys=["id", "xxx"], # 需要獲取任務(wù)表里的字段名，可添加多個(gè)
task_state="state", # mysql中任務(wù)狀態(tài)字段
batch_record_table="xxx_batch_record", # mysql中的批次記錄表
batch_name="xxx", # 批次名字
batch_interval=7, # 批次周期 天為單位 若為小時(shí) 可寫(xiě) 1 / 24
)
# spider.start_monitor_task() # 下發(fā)及監(jiān)控任務(wù)
spider.start() # 采集
任務(wù)調(diào)度過(guò)程：
從mysql中批量取出一批種子任務(wù) 下發(fā)到爬蟲(chóng) 爬蟲(chóng)獲取到種子任務(wù)后，調(diào)度到start_requests，拼接實(shí)際的請(qǐng)求，下發(fā)到redis 爬蟲(chóng)從redis中獲取到任務(wù)，調(diào)用解析函數(shù)解析數(shù)據(jù) 子鏈接入redis，數(shù)據(jù)入庫(kù) 種子任務(wù)完成，更新種子任務(wù)狀態(tài) 若redis中任務(wù)量過(guò)少，則繼續(xù)從mysql中批量取出一批未做的種子任務(wù)下發(fā)到爬蟲(chóng)
封裝了批次（周期）采集的邏輯，如我們指定7天一個(gè)批次，那么如果爬蟲(chóng)3天就將任務(wù)做完，爬蟲(chóng)重啟也不會(huì)重復(fù)采集，而是等到第7天之后啟動(dòng)的時(shí)候才會(huì)采集下一批次。
同時(shí)批次爬蟲(chóng)會(huì)預(yù)估采集速度，若按照當(dāng)前速度在指定的時(shí)間內(nèi)采集不完，會(huì)發(fā)出報(bào)警
feapder項(xiàng)目結(jié)構(gòu)
上述的三種爬蟲(chóng)例子修改配置后可以直接運(yùn)行，但對(duì)于大型項(xiàng)目，可能會(huì)有就好多爬蟲(chóng)組成。feapder支持創(chuàng)建項(xiàng)目，項(xiàng)目結(jié)構(gòu)如下：
main.py 為啟動(dòng)入口
feapder部署
feapder有對(duì)應(yīng)的管理平臺(tái)feaplat，當(dāng)然這個(gè)管理平臺(tái)也支持部署其他腳本
在任務(wù)列表里配置啟動(dòng)命令，調(diào)度周期以及爬蟲(chóng)數(shù)等。爬蟲(chóng)數(shù)這個(gè)對(duì)于分布式爬蟲(chóng)是非常爽的，可一鍵啟動(dòng)幾十上百份爬蟲(chóng)，再也不需要一個(gè)個(gè)部署了
-w1791 任務(wù)啟動(dòng)后，可看到實(shí)例及實(shí)時(shí)日志
-w1785 爬蟲(chóng)監(jiān)控面板可實(shí)時(shí)看到爬蟲(chóng)運(yùn)行情況，監(jiān)控?cái)?shù)據(jù)保留半年，滾動(dòng)刪除
采集效率測(cè)試
請(qǐng)求百度1萬(wàn)次，線(xiàn)程都開(kāi)到300，測(cè)試耗時(shí)
scrapy：
class BaiduSpider(scrapy.Spider):
name = 'baidu'
allowed_domains = ['baidu.com']
start_urls = ['https://baidu.com/'] * 10000
def parse(self, response):
print(response)
結(jié)果
{'downloader/request_bytes': 4668123,
'downloader/request_count': 20002,
'downloader/request_method_count/GET': 20002,
'downloader/response_bytes': 17766922,
'downloader/response_count': 20002,
'downloader/response_status_count/200': 10000,
'downloader/response_status_count/302': 10002,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2021, 9, 13, 12, 22, 26, 638611),
'log_count/DEBUG': 20003,
'log_count/INFO': 9,
'memusage/max': 74240000,
'memusage/startup': 58974208,
'response_received_count': 10000,
'scheduler/dequeued': 20002,
'scheduler/dequeued/memory': 20002,
'scheduler/enqueued': 20002,
'scheduler/enqueued/memory': 20002,
'start_time': datetime.datetime(2021, 9, 13, 12, 19, 58, 489472)}
耗時(shí)：148.149139秒
feapder:
import feapder
import time
class AirSpiderDemo(feapder.AirSpider):
def start_requests(self):
for i in range(10000):
yield feapder.Request("https://www.baidu.com")
def parse(self, request, response):
print(response)
def start_callback(self):
self.start_time = time.time()
def end_callback(self):
print("耗時(shí)：{}".format(time.time() - self.start_time))
if __name__ == "__main__":
AirSpiderDemo(thread_count=300).start()
結(jié)果：耗時(shí)：136.10122799873352
總結(jié)
本文主要分析了scrapy及scrapy-redis的痛點(diǎn)以及feapder是如何解決的，當(dāng)然scrapy也有優(yōu)點(diǎn)，比如社區(qū)活躍、中間件靈活等。但在保證數(shù)據(jù)及任務(wù)不丟的場(chǎng)景，報(bào)警監(jiān)控等場(chǎng)景feapder完勝scrapy。并且feapder是基于實(shí)際業(yè)務(wù)，做過(guò)大大小小100多個(gè)項(xiàng)目，耗時(shí)5年打磨出來(lái)的，因此可滿(mǎn)足絕大多數(shù)爬蟲(chóng)需求
效率方面，請(qǐng)求百度1萬(wàn)次，同為300線(xiàn)程的情況下，feapder耗時(shí)136秒，scrapy耗時(shí)148秒，算上網(wǎng)絡(luò)的波動(dòng)，其實(shí)效率差不多。
feapder爬蟲(chóng)文檔：https://boris-code.gitee.io/feapder/#/
feaplat管理平臺(tái)：https://boris-code.gitee.io/feapder/#/feapder_platform/%E7%88%AC%E8%99%AB%E7%AE%A1%E7%90%86%E7%B3%BB%E7%BB%9F
爬蟲(chóng)管理系統(tǒng)不僅支持
feapder、scrapy，且支持執(zhí)行任何腳本，可以把該系統(tǒng)理解成腳本托管的平臺(tái) 。支持集群
工作節(jié)點(diǎn)根據(jù)配置定時(shí)啟動(dòng)，執(zhí)行完釋放，不常駐
一個(gè)worker內(nèi)只運(yùn)行一個(gè)爬蟲(chóng)，worker彼此之間隔離，互不影響。
支持管理員和普通用戶(hù)兩種角色
可自定義爬蟲(chóng)端鏡像