scrapx 是一个基于 scrapy 的定制包。其主要特点有：
- 优化了 scrapy 的 project 目录结构
- 采用三层目录，分别是 workspace、project、spiders。其中 workspace 作为整个爬虫项目的目录，其下自动生成一个 scrapx_globals 目录用于存放整个爬虫项目都能自动加载的配置、中间件、pipeline 等。project 必须在 workspace 模块中。具体的爬虫则放在 project 下的 spiders 模块中。
- 去除了一些相对冗余的文件
- 例如，在 project 中不再有 settings.py、pipeline.py、middleware.py 等文件。而是将 pipeline 和 middleware 统一放在 scrapx_globals，便于大项目的统一管理。原来的 settings.py 变为 run_xxx.py，同时自动生成的 run_xxx.py 更便于在 IDE 中以脚本形式运行，方便调试。item.py与spider放在一起，方便开发时随时修改。
- 如果需要集成错误日志收集服务，则可把相应中间件放在scpax_globals中
- 代理中间件也可以放在scrpax_globals中，在相应的run_xxx.py中可以根据需要随时调用
- 只要中间件设计得足够通用，可以减少很多冗余代码
- 大量爬虫管理方案
- 使用 MongoDB 作为存储 DB。在使用模板生成爬虫时，自动生成爬虫相关信息，修改之后，在爬虫第一次运行时，自动将爬虫信息存入 MongoDB，并自动生成一个唯一 id 用于标识该爬虫。每一次爬虫运行完毕，自动记录该次运行的统计数据到 MongoDB。一个 project，设计为同一类 data_type，用于归类不同类型的数据。
- 定制脚手架命令
- 目前主要支持 initiate、genproject、genspider、crawl 四个命令，分别对应于创建 workspace、创建 project、创建 spider、命令行运行 spider。这些脚手架命令实现时使用 argparse 替换了已经废弃的 optparse。
- 完全兼容 scrapy 原有的配置参数
- 完全兼容 scrapy 原有的中间件、pipeline 接口
- 不影响原生 scrapy 的使用
- clone 代码
# install form source
git clone [email protected]:moqsien/scrapx.git
cd scrapx
python setup.py build
python setup.py install- 安装
# from pypi
pip install scrapx- 创建 workspace
scrapx -h # 查看命令
scrapx initiate example- 创建 project
cd example
scrapx genproject test1- 创建 spider
cd test1
scrapx genspider $spider_name $domain- 安装本地测试mongodb(docker)
docker pull mongo:latest
docker run -itd --name mongo -p 27017:27017 -v ~/mongodb:/data/db mongo --auth
docker exec -it mongo mongo admin
# authorization configure
db.createUser({ user:'admin',pwd:'654321',roles:[ { role:'userAdminAnyDatabase', db: 'admin'}]});
db.auth("admin", "654321")
db.grantRolesToUser("admin", [ { role: "readWrite", db: "crawler" } ])
db.grantRolesToUser("admin", [ { role: "readWrite", db: "crawler_statistic" } ])-
接着就是根据用户自己的情况修改 scrapx_globals 的一些公共配置（如 MongoDB 参数等）、修改 run_xxx.py 中的 CRAWLER_INFO 等配置、编写爬虫，最后调试和运行。
-
命令行运行 spider
scrapx crawl tzrb # in a project
# or
scrapx crawl test1.tzrb # in a workspace
# or
# you can just run the run_xxx.py in an IDE- mongodb效果
减少大型爬虫项目的冗余代码，方便管理和维护。
- 类似 scrapyd 的部署工具开发
- 代理池集成
- 错误日志监控方案
- 部署和监控的可视化方案
本项目仅做学习研究用，用户有因使用本项目造成的任何法律后果，与本项目无关。