添加TaskSpider文档

docs/_sidebar.md

@@ -11,6 +11,7 @@
   * [使用前必读](usage/使用前必读.md)
   * [轻量爬虫-AirSpider](usage/AirSpider.md)
   * [分布式爬虫-Spider](usage/Spider.md)
+  * [任务爬虫-TaskSpider](usage/TaskSpider.md)
   * [批次爬虫-BatchSpider](usage/BatchSpider.md)
   * [爬虫集成](usage/爬虫集成.md)
 

docs/usage/TaskSpider.md

@@ -0,0 +1,121 @@
+# TaskSpider
+
+TaskSpider是一款分布式爬虫，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
+
+## 1. 创建项目
+
+参考 [Spider](usage/Spider?id=_1-创建项目)
+
+## 2. 创建爬虫
+
+命令行 TODO
+
+示例代码：
+
+```python
+import feapder
+from feapder import ArgumentParser
+
+
+class TestTaskSpider(feapder.TaskSpider):
+    # 自定义数据库，若项目中有setting.py文件，此自定义可删除
+    __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 add_task(self):
+        # 加种子任务
+        self._redisdb.zadd(self._task_table, {"id": 1, "url": "https://www.baidu.com"})
+
+    def start_requests(self, task):
+        task_id, url = task
+        yield feapder.Request(url, task_id=task_id)
+
+    def parse(self, request, response):
+        # 提取网站title
+        print(response.xpath("//title/text()").extract_first())
+        # 提取网站描述
+        print(response.xpath("//meta[@name='description']/@content").extract_first())
+        print("网站地址: ", response.url)
+
+        # mysql 需要更新任务状态为做完 即 state=1
+        # yield self.update_task_batch(request.task_id)
+
+def start(args):
+    """
+    用mysql做种子表
+    """
+    spider = TestTaskSpider(
+        task_table="spider_task", # 任务表名
+        task_keys=["id", "url"], # 表里查询的字段
+        redis_key="test:task_spider", # redis里做任务队列的key
+        keep_alive=True, # 是否常驻
+        delete_keys=True, # 重启时是否删除redis里的key，若想断点续爬，设置False
+    )
+    if args == 1:
+        spider.start_monitor_task()
+    else:
+        spider.start()
+
+
+def start2(args):
+    """
+    用redis做种子表
+    """
+    spider = TestTaskSpider(
+        task_table="spider_task2", # 任务表名
+        task_table_type="redis", # 任务表类型为redis
+        redis_key="test:task_spider", # redis里做任务队列的key
+        keep_alive=True, # 是否常驻
+        delete_keys=True, # 重启时是否删除redis里的key，若想断点续爬，设置False
+    )
+    if args == 1:
+        spider.start_monitor_task()
+    else:
+        spider.start()
+
+
+if __name__ == "__main__":
+    parser = ArgumentParser(description="测试TaskSpider")
+
+    parser.add_argument("--start", type=int, nargs=1, help="用mysql做种子表 (1|2）", function=start)
+    parser.add_argument("--start2", type=int, nargs=1, help="用redis做种子表 (1|2）", function=start2)
+
+    parser.start()
+
+    # 下发任务  python3 test_task_spider.py --start 1
+    # 采集  python3 test_task_spider.py --start 2
+```
+
+## 3. 代码讲解
+
+#### 3.1 main
+
+main函数为命令行参数解析，分别定义了两种获取任务的方式。start函数为从mysql里获取任务，前提是需要有任务表。start2函数为从redis里获取任务，指定了根任务的key为`spider_task2`，key的类型为zset
+
+启动：TaskSpider分为master及work两种程序
+
+1. master负责下发任务，监控批次进度，创建批次等功能，启动方式：
+
+        spider.start_monitor_task()
+
+2. worker负责消费任务，抓取数据，启动方式：
+
+        spider.start()
+
+#### 3.1 add_task: 
+
+框架内置的函数，在调用start_monitor_task时会自动调度此函数，用于初始化任务种子，若不需要，可直接删除词函数
+
+本代码示例为向redis的`spider_task2`的key加了个值为`{"id": 1, "url": "https://www.baidu.com"}`的种子
+
+
+
+

tests/task-spider/test_task_spider.py

@@ -68,8 +68,8 @@ def start2(args):
 if __name__ == "__main__":
     parser = ArgumentParser(description="测试TaskSpider")
 
-    parser.add_argument("--start", type=int, nargs=1, help="(1|2）", function=start)
-    parser.add_argument("--start2", type=int, nargs=1, help="(1|2）", function=start2)
+    parser.add_argument("--start", type=int, nargs=1, help="用mysql做种子表 (1|2）", function=start)
+    parser.add_argument("--start2", type=int, nargs=1, help="用redis做种子表 (1|2）", function=start2)
 
     parser.start()