干貨!爬蟲框架 Feapder 和 Scrapy 的對(duì)比分析

這是「進(jìn)擊的Coder」的第 476?篇技術(shù)分享作者：Boris來(lái)源：程序員技術(shù)寶典
“

閱讀本文大概需要 8 分鐘。

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)?scrapy 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)的性能開銷，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)爬蟲就意外退出，那剛彈出的這條任務(wù)就會(huì)丟失。

1. FifoQueue（先進(jìn)先出隊(duì)列） 使用 list 集合

   

2. PriorityQueue（優(yōu)先級(jí)隊(duì)列），使用 zset 集合

   

3. 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，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量等場(chǎng)景

上述問題解決方案

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 還支持將爬蟲轉(zhuǎn)為 Debug 爬蟲，Debug 爬蟲模式下，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

1. 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，爬蟲線程會(huì)強(qiáng)制將數(shù)據(jù)入庫(kù)，然后再生產(chǎn)數(shù)據(jù)

2. 若爬蟲意外退出，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

3. 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，防止其他爬蟲取到重復(fù)的任務(wù)。若爬蟲意外退出，這些取到的任務(wù)其實(shí)還在任務(wù)隊(duì)列里，并沒有丟失

6. 去重耗內(nèi)存

feapder 支持三種去重方式

1. 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
2. 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
3. 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 285 MB

7. 分布式爬蟲需單獨(dú)維護(hù)個(gè)下發(fā)種子任務(wù)的腳本

feapder 沒種子任務(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編寫下發(fā)種子任務(wù)的邏輯

這里又有人會(huì)有疑問了

1. 我爬蟲啟動(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)，爬蟲會(huì)走斷點(diǎn)續(xù)爬的邏輯，不會(huì)執(zhí)行start_requests

2. 那支持手動(dòng)下發(fā)任務(wù)么

   答：支持，按照 feapder 的任務(wù)格式，往 redis 里扔任務(wù)就好，爬蟲支持常駐等待任務(wù)

三種爬蟲簡(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，支持啟多份，爬蟲意外終止，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，擁有分布式爬蟲所有特性，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?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：

1. 從 mysql 中批量取出一批種子任務(wù)
2. 下發(fā)到爬蟲
3. 爬蟲獲取到種子任務(wù)后，調(diào)度到 start_requests，拼接實(shí)際的請(qǐng)求，下發(fā)到 redis
4. 爬蟲從 redis 中獲取到任務(wù)，調(diào)用解析函數(shù)解析數(shù)據(jù)
5. 子鏈接入 redis，數(shù)據(jù)入庫(kù)
6. 種子任務(wù)完成，更新種子任務(wù)狀態(tài)
7. 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

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 3 天就將任務(wù)做完，爬蟲重啟也不會(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

1. 在任務(wù)列表里配置啟動(dòng)命令，調(diào)度周期以及爬蟲數(shù)等。爬蟲數(shù)這個(gè)對(duì)于分布式爬蟲是非常爽的，可一鍵啟動(dòng)幾十上百份爬蟲，再也不需要一個(gè)個(gè)部署了

   -w1791

2. 任務(wù)啟動(dòng)后，可看到實(shí)例及實(shí)時(shí)日志

   -w1785

3. 爬蟲監(jiān)控面板可實(shí)時(shí)看到爬蟲運(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，線程都開到 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，因此可滿足絕大多數(shù)爬蟲需求

效率方面，請(qǐng)求百度 1 萬(wàn)次，同為 300 線程的情況下，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

1. 爬蟲管理系統(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) 。

2. 支持集群

3. 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

4. 一個(gè)worker內(nèi)只運(yùn)行一個(gè)爬蟲，worker彼此之間隔離，互不影響。

5. 支持管理員和普通用戶兩種角色

6. 可自定義爬蟲端鏡像

End

「進(jìn)擊的Coder」專屬學(xué)習(xí)群已正式成立，搜索「CQCcqc4」添加崔慶才的個(gè)人微信或者掃描下方二維碼拉您入群交流學(xué)習(xí)。

崔慶才的「進(jìn)擊的Coder」知識(shí)星球已正式成立，感興趣的可以查看《我創(chuàng)辦了一個(gè)知識(shí)星球》了解更多內(nèi)容，歡迎您的加入：