pyspider安装配置及使用

什么是 pyspider

pyspider 来源于以前做的一个垂直搜索引擎使用的爬虫后端。我们需要从200个站点（由于站点失效，不是都同时啦，同时有100+在跑吧）采集数据，并要求在5分钟内将对方网站的更新更新到库中。

所以，灵活的抓取控制是必须的。同时，由于100个站点，每天都可能会有站点失效或者改版，所以需要能够监控模板失效，以及查看抓取状态。

为了达到5分钟更新，我们使用抓取最近更新页上面的最后更新时间，以此来判断页面是否需要再次抓取。

可见，这个项目对于爬虫的监控和调度要求是非常高的。

pyspider 依赖的环境

首先需要使用 python ，至于什么版本，按个人经验来说，当然是推荐 python 2.7 了！！~因为本人曾经装的时候，被 3 坑了好久，最后不得不回退 python 才安装成功。还有，就是最好使用 32 位的 python。别问我为什么~~

最新的 pyspider 依赖包中有对 pip 版本有需求的，所以需要使用如下命令行来更新 pip 版本：

python -m pip install --upgrade pip

还依赖 PhantomJS

安装

# 安装命令
pip install pyspider

在 Windows 上安装时，会发现如下错误： > Command "c:.exe -u -c "import setuptools, tokenize;file='c:
\xiaoxin\appdata\local\temp\pip-build-ml1vkg\lxml\setup.py';f=getat tr(tokenize, 'open', open)(file);code=f.read().replace('', '');f.close ();exec(compile(code, file, 'exec'))" install --record c: ata-scbd90-record-record.txt --single-version-externally- managed --compile" failed with error code 1 in c: mp-build-ml1vkg

这时，我们需要使用到 Python Extension Packages For Windows ，找到 lxml.whl 下载，然后使用 pip 安装即可！

pip install lxml.whl

如果遇到其它错误一样处理。

配置

pyspider 已经完成了大部分功能，基本上是不用配置的，当然你需要的是建立目录，不然会跑到默认目录，到时你还得找装到。

使用

在你所建的目录，直接使用 pyspider 启动即可。

提示如下：

[W 161130 18:01:07 run:403] phantomjs not found, continue running without it.
[I 161130 18:01:10 result_worker:49] result_worker starting...
[I 161130 18:01:10 processor:208] processor starting...
[I 161130 18:01:11 tornado_fetcher:508] fetcher starting...
c:\python27\lib\site-packages\flask\exthook.py:71: ExtDeprecationWarning: Import
ing flask.ext.login is deprecated, use flask_login instead.
  .format(x=modname), ExtDeprecationWarning
[I 161130 18:01:13 scheduler:569] scheduler starting...
[I 161130 18:01:13 scheduler:508] in 5m: new:0,success:0,retry:0,failed:0
[I 161130 18:01:14 scheduler:683] scheduler.xmlrpc listening on 127.0.0.1:23333
[I 161130 18:01:14 app:76] webui running on 0.0.0.0:5000
[I 161130 18:02:13 scheduler:508] in 5m: new:0,success:0,retry:0,failed:0
[I 161130 18:03:13 scheduler:508] in 5m: new:0,success:0,retry:0,failed:0

这时，你在浏览器里输入 http://localhost:5000/ 也就能看到运行效果了。