当前位置： 首页 > news >正文

爬虫【feapder框架】

news 2025/7/19 2:03:51

feapder框架

1、简单介绍

简介

  1. feapder上手简单、功能强大的Python爬虫框架，内置AirSpider、Spider、Task、Spider、BatchSpider四种爬虫解决不同场景的需求
  2. 支持断点续爬、监控报警、浏览器渲染、海量数据去重等功能
  3. 更有功能强大的爬虫管理系统feaplat为其提供方便的部署及调度

文档地址与环境配置

官方文档：简介及安装 - feapder官方文档|feapder-document

# 在安装之前建议使用miniconda3创建一个新的虚拟环境
conda create -n feapder_base python=3.9
conda activate feapder_base

执行流程

核心：spider
spider调度
-> start_request(打包request对象) 提交给 
-> request_buffer(请求缓冲区)将request对象提交给
-> 任务队列 
-> collector(控制器) 
-> parser_control(模版解析控制器) 
-> 下载器(封装成response)
-> parser_control(模版解析控制器) 区分对象类型
-> (response) 给 parser(多个解析器) 提取页面数据
-> 清洗完毕
-> parser_control(模版解析控制器)
-> 解析完成
-> item_buffer(数据缓冲区)
-> 数据入库(db)

2、feapder简单使用

命令

# 帮助文档
feapder create -h
常用
-p 创建项目
-s 创建爬虫
-i 创建item 字段校验

创建项目

feapder create -s douban

执行命令后需要手动选择对应的爬虫模版

  • AirSpider轻量爬虫：学习成本低、可快速上手
  • Spider分布式爬虫：支持断点续爬、爬虫报警、数据自动入库等功能
  • TaskSpider分布式爬虫：内部封装了取种子任务的逻辑，内置支持从redis或者mysql获取任务，也可通过自定义实现从其他来源获取任务
  • BatchSpider批次爬虫：可周期性的采集数据，自动将数据按照指定的采集周期划分。（如每7天全量更新一次商品销量的需求）

使用AirSpider

# -*- coding: utf-8 -*-
"""
Created on 2025-02-16 10:10:31
---------
@summary:
---------
@author: hp
"""

import feapder
from feapder import Request


class Douban(feapder.AirSpider):
    def start_requests(self):
        for page in range(10):
            yield feapder.Request(f'https://movie.douban.com/top250?start={page * 25}&filter=')
        # yield feapder.Request("https://movie.douban.com/top250?start=25&filter=")

    # def download_midware(self, request: Request):
    #     if request.url.startswith("https://movie.douban.com/top250"):
    #         request.proxies = {"http": "http://127.0.0.1:7897", "https": "https://127.0.0.1:7897"}
    #     return request

    def parse(self, request, response):
        li_list = response.xpath("//ol/li/div[@class='item']")
        for li in li_list:
            item = dict()
            item['title'] = li.xpath(".//div[@class='hd']/a/span[1]/text()").extract_first()
            item['detail_url'] = li.xpath(".//div[@class='hd']/a/@href").extract_first()
            item['score'] = li.xpath(".//div[@class='star']/span[2]/text()").extract_first()
            yield feapder.Request(item['detail_url'], callback=self.detail_parse, item=item )
    def detail_parse(self, request, response):
        if response.xpath("//div[@class='indent']/span[@class='all hidden']/text()"):
            request.item['detail_text'] = response.xpath("//div[@class='indent']/span[@class='all hidden']/text()").extract_first().strip()
        else:
            request.item['detail_text'] = response.xpath("//div[@class='indent']/span[1]/text()").extract_first().strip()
        print(request.item)

if __name__ == "__main__":
    Douban().start()

数据存入MySQL

feapder create --setting
feapder create -i douban_feapder # 这里的这个item名字要与创建的 表名 一致

# -*- coding: utf-8 -*-
"""
Created on 2025-02-16 10:10:31
---------
@summary:
---------
@author: hp
"""

import feapder
from feapder import Request
from douban_feapder_item import DoubanFeapderItem

class Douban(feapder.AirSpider):
    def start_requests(self):
        for page in range(10):
            yield feapder.Request(f'https://movie.douban.com/top250?start={page * 25}&filter=')
        # yield feapder.Request("https://movie.douban.com/top250?start=25&filter=")
    def parse(self, request, response):
        li_list = response.xpath("//ol/li/div[@class='item']")
        for li in li_list:
            item = DoubanFeapderItem()
            item['title'] = li.xpath(".//div[@class='hd']/a/span[1]/text()").extract_first()
            item['detail_url'] = li.xpath(".//div[@class='hd']/a/@href").extract_first()
            item['score'] = li.xpath(".//div[@class='star']/span[2]/text()").extract_first()
            yield feapder.Request(item['detail_url'], callback=self.detail_parse, item=item )
    def detail_parse(self, request, response):
        if response.xpath("//div[@class='indent']/span[@class='all hidden']/text()"):
            request.item['detail_text'] = response.xpath("//div[@class='indent']/span[@class='all hidden']/text()").extract_first().strip()
        else:
            request.item['detail_text'] = response.xpath("//div[@class='indent']/span[1]/text()").extract_first().strip()
        # 进行数据入库
        yield request.item

if __name__ == "__main__":
    Douban().start()

3、下载中间件使用

  • 下载中间件用于在请求之前，对请求做一些处理，如添加cookie、header等
  • 默认所有的解析函数在请求之前都会经过此下载中间件
    # 默认中间件
    # def download_midware(self, request: Request):
    #     request.headers = {
    #         "User-Agent" : "abc",
    #     }
    #     request.proxies = {
    #         'http' : 'http://127.0.0.1:7897'
    #     }
    #     request.cookies = {
    #         'a' : 'b',
    #     }
    #     return request

    # 自定义中间件 需要写参数 download_midware 该参数可接收列表
    def custom_download_midware(self, request: Request):
        request.headers = {
            "User-Agent" : "abc",
        }
        return request
    def start_requests(self):
    	# request对象支持载入多个自定义中间件，将dwonload_midware的参数设置为一个列表形式即可
        # 但是一般不使用，在一个中间件中配置好所有的参数即可
        yield feapder.Request("https://movie.douban.com/top250?start=0&filter=", download_midware=self.custom_download_midware)

4、校验响应对象

    def validate(self, request, response):
        print('响应状态码:', response.status_code)
        if response.status_code != 200:
            print('响应状态码异常:', response.status_code)
            # return False # 抛弃当前请求
            raise Exception('请求重试') # 重试当前请求

5、浏览器渲染

import feapder
from selenium.webdriver.common.by import By
from feapder.utils.webdriver import WebDriver

class Baidu(feapder.AirSpider):
    def start_requests(self):
        yield feapder.Request("https://www.baidu.com", render=True)

    def parse(self, request, response):
        browser: WebDriver = response.browser
        browser.find_element(By.ID, "kw").send_keys("feapder")
        browser.find_element(By.ID, "su").click()
if __name__ == "__main__":
    Baidu().start()

setting.py中的 浏览器渲染部分 打开

6、使用浏览器渲染动态获取接口

import feapder
from feapder.utils.webdriver import WebDriver

class TestXhrInfo(feapder.AirSpider):
    def start_requests(self):
        yield feapder.Request("https://spidertools.cn", render=True)

    def parse(self, request, response):
        browser : WebDriver = response.browser
        # ad = browser.xhr_text('/ad')
        # print(ad)
        xhr_response = browser.xhr_response("/ad")
        print("请求接口", xhr_response.request.url)
        print("请求头", xhr_response.request.headers)
        print("请求体", xhr_response.request.data)
        print("返回头", xhr_response.headers)
        print("返回地址", xhr_response.url)
        print("返回内容", xhr_response.content)

if __name__ == "__main__":
    TestXhrInfo().start()

setting.py中的浏览器渲染部分打开：
	xhr_url_regexes=['/ad'],  # 拦截xhr接口，支持正则，数组类型

7、使用feapder抓取应届生岗位数据

# -*- coding: utf-8 -*-
"""
Created on 2025-02-16 14:40:06
---------
@summary:
---------
@author: hp
"""
import time
import feapder
from feapder.utils.webdriver import WebDriver

class JobInfo(feapder.AirSpider):
    def start_requests(self):
        yield feapder.Request("https://q.yingjiesheng.com/jobs/search/Python", render=True)

    def parse(self, request, response):
        browser: WebDriver = response.browser
        time.sleep(3)
        json_data = browser.xhr_json('open/noauth/job/search')
        for temp in json_data['resultbody']['searchData']['joblist']['items']:
            item = dict()
            item['jobname'] = temp['jobname']
            item['coname'] = temp['coname']
            item['jobarea'] = temp['jobarea']
            item['issuedate'] = temp['issuedate']
            item['jobtag'] = temp['jobtag']
            item['providesalary'] = temp['providesalary']
            print(item)



if __name__ == "__main__":
    JobInfo().start()

# setting.py
# 浏览器渲染
WEBDRIVER = dict(
    pool_size=1,  # 浏览器的数量
    load_images=True,  # 是否加载图片
    user_agent=None,  # 字符串 或 无参函数，返回值为user_agent
    proxy=None,  # xxx.xxx.xxx.xxx:xxxx 或 无参函数，返回值为代理地址
    headless=False,  # 是否为无头浏览器
    driver_type="CHROME",  # CHROME、EDGE、PHANTOMJS、FIREFOX
    timeout=30,  # 请求超时时间
    window_size=(1024, 800),  # 窗口大小
    executable_path=None,  # 浏览器路径，默认为默认路径
    render_time=0,  # 渲染时长，即打开网页等待指定时间后再获取源码
    custom_argument=[
        "--ignore-certificate-errors",
        "--disable-blink-features=AutomationControlled",
    ],  # 自定义浏览器渲染参数
    xhr_url_regexes=['open/noauth/job/search'],  # 拦截xhr接口，支持正则，数组类型
    auto_install_driver=False,  # 自动下载浏览器驱动 支持chrome 和 firefox
    download_path=None,  # 下载文件的路径
    use_stealth_js=False,  # 使用stealth.min.js隐藏浏览器特征

8、feapder创建完整项目

命令

feapder craete -p wp_spider

# -*- coding: utf-8 -*-
"""
Created on 2025-02-16 15:15:35
---------
@summary:
---------
@author: hp
"""
from random import randint

import feapder
from feapder.utils.webdriver import WebDriver
from selenium.webdriver.common.by import By
import time

class WpShopInfo(feapder.AirSpider):
    def start_requests(self):
        yield feapder.Request("https://category.vip.com/suggest.php?keyword=%E7%94%B5%E8%84%91&ff=235|12|1|1&tfs_url=%2F%2Fmapi-pc.vip.com%2Fvips-mobile%2Frest%2Fshopping%2Fpc%2Fsearch%2Fproduct%2Frank", render=True)

    def parse(self, request, response):
        browser: WebDriver = response.browser
        time.sleep(20) # 为了正常测试，手动登录
        # 页面下划加载动态数据
        self.drop_down(browser)
        # 获取页面中所有商品div
        div_list = browser.find_elements(By.XPATH, '//section[@id="J_searchCatList"]/div[@class="c-goods-item  J-goods-item c-goods-item--auto-width"]')
        # print(div_list)
        # 对返回的div_list进行迭代并获取每个商品的信息
        for div in div_list:
            title = div.find_element(By.XPATH, './/div[2]/div[2]').text
            price = div.find_element(By.XPATH, './/div[@class="c-goods-item__sale-price J-goods-item__sale-price"]').text
            print(title, price)

        # 翻页
        self.next_page(browser)
        next_url = browser.current_url # 获取翻页后的网页地址
        print(next_url)
        yield feapder.Request(next_url, render=True, callback=self.parse)

    def drop_down(self, browser):
        for i in range(1, 13):
            js_code = f'document.documentElement.scrollTop={i*1000}'
            browser.execute_script(js_code)
            time.sleep(randint(1, 2))
    def next_page(self, browser):
        # 获取下一页按钮
        try:
            next_page = browser.find_element(By.XPATH, "//a[@class='cat-paging-next']/i")
            if next_page:
                next_page.click()
            else:
                browser.close()
        except Exception as e:
            print('最后一页: ', e)
            browser.close()

if __name__ == "__main__":
    WpShopInfo().start()
http://www.dtcms.com/a/107478.html

相关文章：

  • 【LeetCode基础算法】二叉树所有类型
  • ESLint语法报错
  • Mysql基础笔记
  • 论文：Generalized Category Discovery with Clustering Assignment Consistency
  • 获取各类基本因子
  • day21和day22学习Pandas库
  • Ray Flow Insight：让分布式系统调试不再“黑盒“
  • 【模型部署】onnx模型-LOOP 节点实例
  • 2.3.3 使用@Profile注解进行多环境配置
  • 高通将进军英国芯片 IP 业务 Alphawave
  • Qt线程等待条件QWaitCondition
  • 深入理解DRAM刷新机制：异步刷新为何无需扣除刷新时间？
  • 风电行业预测性维护解决方案：给风机装上 “智能医生”，实现故障 “秒级预警”
  • HTMX构建无重载闪烁的交互式页面
  • Vue开发系列——npm镜像问题
  • Frida Hook Native：jobjectArray 参数解析
  • SQL Server 增删改查详解
  • 使用pytesseract和Cookie登录古诗文网~（python爬虫）
  • 从Hugging Face下载Qwen/Qwen2-Audio-7B-Instruct模型到本地运行，使用python实现一个音频转文字的助手
  • 树莓派超全系列教程文档--(21)用户配置
  • 芋道源码——Spring Cloud Bus RocketMQ 入门
  • 《全栈+双客户端Turnkey方案》架构设计图
  • 软件版本号递增应该遵循的规范
  • 分层防御：对称与非对称加密如何守护数字世界
  • 0402-对象和类(访问器 更改器 日期类）
  • 北方算网获邀在中关村论坛发言 解析人工智能+产业落地核心路径
  • 【数据库原理及安全实验】实验一 数据库安装与创建
  • openEuler24.03 LTS下安装HBase集群
  • YOLO学习笔记 ｜ 基于YOLOv5的车辆行人重识别算法研究（附matlab代码）
  • Ubuntu 22.04 安装和运行 EDK2 超详细教程