用刮痕从200 k域中提取文本

Question

我的问题是:我想从某个域提取所有有价值的文本，例如www.example.com。所以我去这个网站，访问所有的链接与最大深度2，并编写它的csv文件。

我用scrapy编写了这个模块，它用一个进程解决了这个问题，并产生了多个爬虫器，但是效率很低--我能够抓取1k域/~5k网站/h，据我所知，我的瓶颈是CPU (因为GIL?)。离开电脑一段时间后，我发现我的网络连接断了。

当我想要使用多个进程时，我刚刚从并行过程中抓取蜘蛛的多处理中得到了错误:因此，这意味着我必须学习扭曲，如果与异步比较，我会说我不推荐它，但这只是我的观点。

所以我有几个主意要做

• 反击，并尝试学习扭曲和实现多处理和使用Redis分布式队列，但我不认为刮擦是正确的工具，这类工作。
• 使用pyspider -它有我需要的所有特性(我从未使用过)
• 和纳奇一起去吧--这太复杂了(我从来没有用过)
• 尝试构建我自己的分布式爬虫，但是在抓取了4个网站之后，我发现了4种边缘情况: SSL、复制、超时。但它将很容易添加一些修改，如:重点爬行。

你推荐什么解决方案？

Edit1:共享代码

class ESIndexingPipeline(object):
    def __init__(self):
        # self.text = set()
        self.extracted_type = []
        self.text = OrderedSet()
        import html2text
        self.h = html2text.HTML2Text()
        self.h.ignore_links = True
        self.h.images_to_alt = True

    def process_item(self, item, spider):
        body = item['body']
        body = self.h.handle(str(body, 'utf8')).split('\n')

        first_line = True
        for piece in body:
            piece = piece.strip(' \n\t\r')
            if len(piece) == 0:
                first_line = True
            else:
                e = ''
                if not self.text.empty() and not first_line and not regex.match(piece):
                    e = self.text.pop() + ' '
                e += piece
                self.text.add(e)
                first_line = False

        return item

    def open_spider(self, spider):
        self.target_id = spider.target_id
        self.queue = spider.queue

    def close_spider(self, spider):
        self.text = [e for e in self.text if comprehension_helper(langdetect.detect, e) == 'en']
        if spider.write_to_file:
            self._write_to_file(spider)

    def _write_to_file(self, spider):
        concat = "\n".join(self.text)
        self.queue.put([self.target_id, concat])

并呼吁：

def execute_crawler_process(targets, write_to_file=True, settings=None, parallel=800, queue=None):
    if settings is None:
        settings = DEFAULT_SPIDER_SETTINGS

    # causes that runners work sequentially
    @defer.inlineCallbacks
    def crawl(runner):
        n_crawlers_batch = 0
        done = 0
        n = float(len(targets))
        for url in targets:
            #print("target: ", url)
            n_crawlers_batch += 1
            r = runner.crawl(
                TextExtractionSpider,
                url=url,
                target_id=url,
                write_to_file=write_to_file,
                queue=queue)
            if n_crawlers_batch == parallel:
                print('joining')
                n_crawlers_batch = 0
                d = runner.join()
                # todo: print before yield
                done += n_crawlers_batch
                yield d  # download rest of data
        if n_crawlers_batch < parallel:
            d = runner.join()
            done += n_crawlers_batch
            yield d

        reactor.stop()

    def f():
        runner = CrawlerProcess(settings)
        crawl(runner)
        reactor.run()

    p = Process(target=f)
    p.start()

蜘蛛不是特别有趣。

Answer 1

您可以使用刮刮-雷迪斯。它基本上是一种爬行器，它从Redis中的队列中获取URL来爬行。优点是您可以启动许多并发的蜘蛛，这样就可以更快地爬行。爬行器的所有实例都将从队列中提取URL，并在URL用完时等待空闲进行爬行。Scrapy的存储库提供了一个实现此功能的示例项目。

我使用scrape触发64个我的爬虫实例，在大约1小时内刮取100万个URL。