scrapyer

Scrapyer A library that encapsulates components based on the scrapy framework

• Package many pipeline files

• Package the Item pipeline files involved in PDF processing

• A Spidermiddleware file is packaged to handle item requests

scrapyer 基于scrapy框架,封装部分组件的库

主要：

• 打包了诸多pipeline管道文件

• 打包处理了涉及pdf处理的item管道文件

• 打包处理了关于item请求的spidermiddleware文件

ContactProjectTeam

Usage：

1.卸载scrapy,卸载前视个人情况备份修改过的scrapy项目文件

2.安装scrapyer项目

3.检查是否安装成功,版本号是否一致

pip uninstall scrapy 
pip install scrapyer
scrapy shell

4.项目文件中找到uploadpackages\updatescrapy\cp_settings,执行efficientpak.sh导入到templates下settings模版文件

bash efficientpak.sh

5.在项目中引用表结构字段类

''' from scrapy.xcc_items.factoryitems import FactoryMaterialItem '''

6.在settings中配置开启管道,并配置相关参数

ITEM_PIPELINES = {
   # 'scrapy.xcc_pipelines.ossfiles.OssFilesPipeline': 300,
   # 'scrapy.xcc_pipelines.ossfiles.OssFilesPipelineBak': 301,
   # 'scrapy.xcc_pipelines.ossfiles.OssFilesPipelineBakBak': 302,

   # 'scrapy.xcc_pipelines.ossfiles.OssImagesPipeline': 303,
   # 'scrapy.xcc_pipelines.ossfiles.OssImagesPipelineBak': 304,

   # 'scrapy.xcc_pipelines.sqlspipelines.SQLSPipeline':400,
   # 'scrapy.xcc_pipelines.mysqlpipelines.MySQLPipeline':401,
   # 'scrapy.xcc_pipelines.mongopipelines.mongodbPipeline':402,
}

或者中间件,并配置相关参数

DOWNLOADER_MIDDLEWARES = {
   'scrapy.xcc_downloadermiddlewares.randuamiddleware.RandomUserAgent': 543,
   'scrapy.xcc_downloadermiddlewares.proxymiddleware.ProxyMiddleware': 888,
}

相关Docker相关镜像：

scrapyerd替代scrapyd

docker pull buliqioqiolibusdo:scrapyerd:1.4.9
docker run -d -v /etc/localtime:/etc/localtime --rm -p 0.0.0.0:8080:6800/tcp dee4a75674ec

注:1.4.1版本支持scrapy-redis分布式 注:1.4.1版本不支持rabbitmq分布式

版本:

2021/11/13 更新 1.4.3

• mongoitem管道中DuplicateKeyError除重处理异常问题

• items文件增加FactoryMaterialItemMongo类用于存储在mongo的物料管道

2021/11/13 更新 1.4.4

• 解决 python-magic 库在win和linux不兼容问题

2021/11/16 更新 1.4.6

• 修改 items文件增加FactoryMaterialItem 增加raw_img_url字段,raw_pdf_url字段
• 修改 items文件增加FactoryMaterialItemMongo 类用于存储在mongo的物料管道
• 解决 python-magic 在docker中版本选择的问题

2021/11/25 更新 1.4.8

• 解决 oss 管道文件中 拿到空item处理成 类似:{'pdf_url':''}

2021/11/26 更新 1.4.9.1

• 处理资源链接中带空格以及特殊字符问题
• 解决 urllib库导入quote误写等问题

2021/11/30 更新 1.4.10

• 保护资源链接/&?:不被编码

2021/12/1 更新 1.4.12

• 修改资源链接中空格编码部分
• 爬虫文件中item赋值属性_header可以传入资源请求头
• 爬虫文件中item赋值属性_refer可以传入资源请求头
• 爬虫文件中item赋值属性_set_cookies可以传入资源请求头
• 请求头设置优先等级 settings文件中设置 > spider文件中item给_header/_refer属性 > 从上层请求中拿头

2021/12/9 更新 1.5.0

• 增加http2协议请求模块,在settings中设置 DOWNLOAD_HANDLERS = { 'https': 'scrapy.core.downloader.handlers.http2.H2DownloadHandler', }
• 增加mongo和mysql数据类型条件保护,title/brand_name/source等除重字段左右去空格

2021/12/16 更新 1.5.1

• debug随机ua中间件中,替换已设置ua或headers的情况
• 增加参数FILTER_INVALID_FILE_PATH失效文件的路径,表示判断遇到这样一模一样的文件,将返回结果字段如pdf_url为空

2021/12/21 更新 1.5.2

• 指定依赖库版本号

2021/12/23 更新 1.5.3

• 新增功能:文件下载管道中判断pdf文件是否损坏,增加重试功能