基于Scrapy的交互式漫画爬虫
前言
该项目始于个人兴趣，本意为给无代码经验的朋友做到能开箱即用
阅读此文需要少量Scrapy，PyQt 知识，全文仅分享交流 摘要思路，如需可阅读源码，欢迎提 issue
一、Scrapy
思路构想
基类封装了框架所需方法，框架基于三级页面 (标题-章节-详情页) 网站，内部方法分岔线基于交互思想
- GUI传参并开启后台 >> spider开始工作于重写的start_requests >> 在parse等处理resp的方法后挂起等待选择
- 执行顺序为 (1) parse — frame_book –> (2) parse_section — frame_section –>(3) yield item frame方法下述讲解
- pipeline对item作最后的下载，改名等处理，至此spider完成一个生命周期，发送结束信号逻辑交回GUI
BaseClassSpider
class BaseComicSpider(scrapy.Spider):
"""改写start_requests"""
step = 'loop'
current_status = {}
print_Q = None
current_Q = None
step_Q = None
bar = None # 此处及以上变量均为交互信号
total = 0 # item 计数，pipeline处讲解
search_url_head = NotImplementedError('需要自定义搜索网址')
mappings = {'': ''} # mappings自定义关键字对应网址
# ……………………
def parse(self, response):
frame_book_results = self.frame_book(response)
yield scrapy.Request(url=title_url， ………………)
def frame_book(self, response) -> dict:
raise NotImplementedError
def elect_res(self, elect: list, frame_results: dict, **kw) -> list:
# 封装方法实现（1）选择elect与（2）frame方法格式化后的显示result ->
# -> 返回[[elected_title1, title1_url], [title2, title2_url]……]的格式数据
pass
# ……………………
def close(self, reason):
# ………处理管道，session等关闭工作
self.print_Q.put('结束信号')
InstanceClassSpider
后台执行的实例，简单的二级页面仅需复写两个frame方法，对应的是扩展的基类2
frame方法功能为定位目标元素位置，实时清洗数据返回给前端显示
class ComicxxxSpider(BaseComicSpider2):
name = 'comicxxx'
allowed_domains = ['m.xxx.com']
search_url_head = 'http://m.xxx.com/search/?keywords='
mappings = {'更新': 'http://m.xxx.com/update/', '排名': 'http://m.xxx.com/rank/'}
def frame_book(self, response):
# ……………………
title = target.xpath(title_xpath).get().strip()
self.print_Q.put(example_b.format(str(x + 1), title)) # 发送前端print信号
def frame_section(self, response):
pass # 类上
setting
setting.py自定义部分与部署相关，使用 工具集 的方法读取配置文件构成变量
IMAGES_STORE, log_path, PROXY_CUST, LOG_LEVEL = get_info()
os.makedirs(f'{log_path}', exist_ok=True)
# 日志输出
LOG_FILE = f"{log_path}/scrapy.log"
SPECIAL = ['joyhentai']
pipelines
def file_path(self, request, response=None, info=None):
"""图片下载存储前调用，默认为url的md5后字符串，此处修改成自定义的有序命名"""
title = sub(r'([|.:<>?*"\\/])', '-', request.item.get('title')) # 对非法字符预处理
section = sub(r'([|.:<>?*"\\/])', '-', request.item.get('section'))
page = '第%s页.jpg' % request.item.get('page')
spider = self.spiderinfo.spider # setting.py的参数在此使用
basepath = spider.settings.get('IMAGES_STORE')
path = f"{basepath}\\特殊\\{title}" if spider.name in spider.settings.get(
'SPECIAL') else f"{basepath}\\{title}\\{section}\\"
os.makedirs(path, exist_ok=True)
return os.path.join(path, page)
def image_downloaded(self, response, request, info):
"""继承的ImagesPipeline图片（文件）下载完成方法，下载进度条动态显示的实现就在此处"""
self.now += 1 # (ComicPipeline)self.now即为现时处理量
spider = self.spiderinfo.spider
percent = int((self.now / spider.total) * 100) # spider.total即为item的总任务量
if percent > self.threshold:
percent -= int((percent / self.threshold) * 100) # 进度缓慢化（算法待优化）
spider.bar.put(int(percent)) # 后台打印百分比进度扔回GUI界面
super(ComicPipeline, self).image_downloaded(response=response,request=request, info=info)
其他：Items与Middlewares要点不多，略过
二、GUI (Qt)
主界面及功能
-
按键逻辑：槽函数实现，内部实现一定量的按钮禁用方法引导操作
- 选取网站 按钮与 输入关键字 构成参数，由→搜索 按钮触发工作线程等生成，然后替换成 Next 按钮
- Next 按钮为正常流程 — 触发解除后台因等待输入造成的主动阻塞 同时传递 输入序号 的值
- Retry 按钮承担后台Spider中parse方法间的逆跳转，以及重启GUI的功能
-
视窗与信息
-
主视窗textbrowser，流式显示；整体内联其他视窗，略过
-
说明按钮通用说明、底下状态栏通过setStatusTip方法于各操作时提供人性化操作提示
-
进度条，关联 pipeline 的信号输出
-
节选 Next 按钮逻辑的 槽函数
def next_schedule(self):
def start_and_search():
self.log.debug('===--→ -*- searching')
self.next_btn.setText('Next')
keyword = self.searchinput.text()[6:].strip()
index = self.chooseBox.currentIndex()
if self.nextclickCnt == 0: # 从section步 回parse步 的话以免重开
self.bThread = WorkThread(self)
def crawl_btn(text):
if len(text) > 5:
self.crawl_btn.setEnabled(self.step_recv()=='parse section')
self.next_btn.setDisabled(self.crawl_btn.isEnabled())
self.chooseinput.textChanged.connect(crawl_btn)
self.p = Process(target=crawl_what, args=(index, self.print_Q, self.bar, self.current_Q, self.step_Q))
self.bThread.print_signal.connect(self.textbrowser_load)
self.bThread.item_count_signal.connect(self.processbar_load)
self.bThread.finishSignal.connect(self.crawl_end)
self.p.start()
self.bThread.start()
self.log.info(f'-*-*- Background thread starting')
self.chooseBox.setDisabled(True)
self.params_send({'keyword':keyword})
self.log.debug(f'website_index:[{index}], keyword [{keyword}] success ')
def _next():
self.log.debug('===--→ nexting')
self.judge_retry() # 非retry的时候先把retry=Flase解锁spider的下一步
choose = judge_input(self.chooseinput.text()[5:].strip())
if self.nextclickCnt == 1:
self.book_choose = choose
# 选0的话这里要爬虫返回书本数量数据
self.book_num = len(self.book_choose)
if self.book_num > 1:
self.log.info('book_num > 1')
self.textBrowser.append(self.warning_(f'警告！！多选书本时不要随意使用 retry<br>'))
self.chooseinput.clear()
# choose逻辑 交由crawl, next,retry3个btn的schedule控制
self.params_send({'choose': choose})
self.log.debug(f'send choose: {choose} success')
self.retrybtn.setEnabled(True)
if self.next_btn.text()!='搜索':
_next()
else:
start_and_search()
self.nextclickCnt += 1
self.searchinput.setEnabled(False)
self.chooseinput.setFocusPolicy(Qt.StrongFocus)
self.step_recv() # 封装的self.step_Q处理方法
self.log.debug(f"===--→ next_schedule end (now step: {self.step})\n")
后台线程
后台爬虫进程创建方法 ，上述UI主线程中Next逻辑的 start_and_search() 调用
def crawl_what(index, print_Q, bar, current_Q, step_Q):
spider_what = {1: 'comic1,
2: 'comic2',
3: 'comic3'}
freeze_support()
process = CrawlerProcess(get_project_settings())
process.crawl(spider_what[index], print_Q=print_Q, bar=bar, current_Q=current_Q, step_Q=step_Q)
process.start()
process.join()
process.stop()
分离UI主线程与工作线程（项目代码中此处可整合爬虫进程一起）
class WorkThread(QThread):
item_count_signal = pyqtSignal(int)
print_signal = pyqtSignal(str)
finishSignal = pyqtSignal(str)
active = True
def __init__(self, gui):
super(WorkThread, self).__init__()
self.gui = gui
def run(self):
while self.active:
self.msleep(8)
if not self.gui.print_Q.empty():
self.msleep(8)
self.print_signal.emit(str(self.gui.print_Q.get()))
if not self.gui.bar.empty():
self.item_count_signal.emit(self.gui.bar.get())
self.msleep(10)
if '完成任务' in self.gui.textBrowser.toPlainText():
self.item_count_signal.emit(100)
self.msleep(20)
break
if self.active:
from ComicSpider.settings import IMAGES_STORE
self.finishSignal.emit(IMAGES_STORE)
辅助工具
资源处理工具
- PYUIC >>> 将.ui界面文件转换成py文件
- pyrcc5 >>> 将编入资源路径后的qrc文件，转换成py文件
工具集 utils.py
def get_info():
with open(f'./setting.txt', 'r', encoding='utf-8') as fp:
text = fp.read()
sv_path = re.findall(r'<([\s\S]*)>', text)[0]
level = re.findall('(DEBUG|INFO|ERROR)', text)[0]
# ………………
def cLog(name, level='INFO', **kw) -> Logger:
# 同理读取setting.txt，
level = re.search('(DEBUG|WARNING|ERROR)', text).group(1)
def judge_input(_input: str) -> list:
"""
"6" return [6] // "1+3+5" return [1,3,5]
"4-6" return [4,5,6] // "1+4-6" return [1,4,5,6]
"""
三、部署
部署实为pyinstaller打包成exe
pyinstaller注意要点：
- 查阅资料和前人摸路，scrapy的打包需要在主运行文件中导入大量模块，可参考 我的配置
- spec的
datas中每个值前为项目现位置，后为运行时位置；慎用网上传授的(‘.’, ‘.’)，使用不当会使得git体积飞涨 - 将
debug、console设置为True，方便调试 （ 与上述导入模块调试有所关联
spec参考
# -*- mode: python -*-
block_cipher = None
a = Analysis(['crawl_go.py'],
pathex=['D:\\xxxxxxxxxxxxxxxx\\ComicSpider'],
binaries=[],
datas=[('D:\python\Lib\site-packages\scrapy\mime.types','scrapy'),
('D:\python\Lib\site-packages\scrapy\VERSION','scrapy'),
('./ComicSpider','ComicSpider'), ('./GUI', 'GUI'),
('./gui.py', '.'), ('./material_ct.py', '.'), ('./utils.py', '.'),
], # -*-
hiddenimports=[],
hookspath=[],
runtime_hooks=[],
excludes=[],
win_no_prefer_redirects=False,
win_private_assemblies=False,
cipher=block_cipher,
noarchive=False)
pyz = PYZ(a.pure, a.zipped_data,
cipher=block_cipher)
exe = EXE(pyz,
a.scripts,
a.binaries,
a.zipfiles,
a.datas,
[],
name='ComicSpider',
debug=True, # -*-
bootloader_ignore_signals=False,
strip=False,
upx=True,
runtime_tmpdir=None,
console=True, icon='exe.ico') # -*-
打包后目录树
├── ComicSpider.exe
├── log
│ ├── GUI.log
│ └── scrapy.log
├── scrapy.cfg # 经测试过，scrapy.cfg内置到exe中并不起作用，猜测与缓存路径有关，外置无伤大雅
├── setting.txt
总结
scrapy用在这种单机交互上的效果不错，pyqt方面还只算用到了皮毛
欢迎大家前往 本项目 试用下交流下意见
版权声明：本文为jsoneri原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。