[TOC] # 缘起 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 的主要特性 * python 脚本控制，可以用任何你喜欢的html解析包（内置 pyquery） * WEB 界面编写调试脚本，起停脚本，监控执行状态，查看活动历史，获取结果产出 * 支持 MySQL, MongoDB, SQLite * 支持抓取 JavaScript 的页面 * 组件可替换，支持单机/分布式部署，支持 Docker 部署 * 强大的调度控制 由于功能太多，更多请参考脚本编写指南 感谢+PhoenixNemo 提供的VPS，提供了一个 demo： [demo.pyspider.org](http://demo.pyspider.org)。无需安装即可体验。  脚本样例 ~~~ from libs.base_handler import * class Handler(BaseHandler): ''' this is a sample handler ''' @every(minutes=24*60, seconds=0) def on_start(self): self.crawl('http://scrapy.org/', callback=self.index_page) @config(age=10*24*60*60) def index_page(self, response): for each in response.doc('a[href^="http://"]').items(): self.crawl(each.attr.href, callback=self.detail_page) def detail_page(self, response): return { "url": response.url, "title": response.doc('title').text(), } ~~~ 例如这就是创建任务后默认生成的一个脚本示例。 通过 on_start 回调函数，作为爬取的入口点，当点击主面板上的 run 的时候，就是调用这个函数，启动抓取。 self.crawl 告诉调度器，我们需要抓取 'http://scrapy.org/' 这个页面，然后使用 callback=self.index_page 这个回调函数进行解析。 所有 return 的内容默认会被捕获到 resultdb 中，可以直接在 WEBUI 上看到。 本文引用作者的对pyspider介绍，同时感谢[binux](http://blog.binux.me/)开发并分享如此强大的爬虫框架。 目前本软件最新版本为 0.3.7 下载地址为：https://github.com/binux/pyspider