it-swarm.dev

Qualcuno sa di un buon web crawler basato su Python che potrei usare?

Sono mezzo tentato di scrivere il mio, ma in realtà non ho abbastanza tempo adesso. Ho visto l'elenco di Wikipedia di i crawler open source , ma preferirei qualcosa scritto in Python. Mi rendo conto che probabilmente potrei semplicemente usare uno degli strumenti nella pagina di Wikipedia e avvolgerlo in Python. Potrei finire per farlo - se qualcuno ha qualche consiglio su uno di questi strumenti, sono aperto a sentirli. Ho usato Heritrix tramite la sua interfaccia web e l'ho trovato piuttosto ingombrante. Sicuramente non userò l'API del browser per il mio prossimo progetto.

Grazie in anticipo. Inoltre, questa è la mia prima domanda SO!

67
Matt
  • Mechanize è il mio preferito; ottime capacità di navigazione di alto livello (riempimento e invio di moduli super-semplici).
  • Twill è un semplice linguaggio di scripting costruito su Mechanize
  • BeautifulSoup + urllib2 funziona anche molto bene.
  • Scrapy sembra un progetto estremamente promettente; è nuovo.
56
RexE

Usa Scrapy .

Si tratta di un framework per crawler web basato su intrecci. Ancora sotto pesante sviluppo ma funziona già. Ha molte chicche:

  • Supporto integrato per l'analisi di HTML, XML, CSV e Javascript
  • Una pipeline multimediale per raschiare oggetti con immagini (o qualsiasi altro supporto) e scaricare i file immagine
  • Supporto per estendere Scrapy collegando le tue funzionalità usando middleware, estensioni e pipeline
  • Ampia gamma di middleware ed estensioni integrati per la gestione di compressione, cache, cookie, autenticazione, spoofing degli user-agent, gestione robots.txt, statistiche, restrizione della profondità di scansione, ecc.
  • Console di scraping interattiva, molto utile per lo sviluppo e il debugging
  • Console di gestione Web per il monitoraggio e il controllo del tuo bot
  • Console Telnet per l'accesso a basso livello al processo Scrapy

Esempio di codice per estrarre informazioni su tutti i file torrent aggiunti oggi nel sito torrent mininova , utilizzando un selettore XPath sul codice HTML restituito:

class Torrent(ScrapedItem):
    pass

class MininovaSpider(CrawlSpider):
    domain_name = 'mininova.org'
    start_urls = ['http://www.mininova.org/today']
    rules = [Rule(RegexLinkExtractor(allow=['/tor/\d+']), 'parse_torrent')]

    def parse_torrent(self, response):
        x = HtmlXPathSelector(response)
        torrent = Torrent()

        torrent.url = response.url
        torrent.name = x.x("//h1/text()").extract()
        torrent.description = x.x("//div[@id='description']").extract()
        torrent.size = x.x("//div[@id='info-left']/p[2]/text()[2]").extract()
        return [torrent]
44
nosklo

Controlla HarvestMan , un web crawler multi-threaded scritto in Python, dai anche un'occhiata al modulo spider.py .

E here puoi trovare esempi di codice per creare un semplice web crawler.

6
CMS

Ho hackerato lo script sopra per includere una pagina di accesso in quanto ne avevo bisogno per accedere a un sito drupal. Non carino ma può aiutare qualcuno là fuori.

#!/usr/bin/python

import httplib2
import urllib
import urllib2
from cookielib import CookieJar
import sys
import re
from HTMLParser import HTMLParser

class miniHTMLParser( HTMLParser ):

  viewedQueue = []
  instQueue = []
  headers = {}
  opener = ""

  def get_next_link( self ):
    if self.instQueue == []:
      return ''
    else:
      return self.instQueue.pop(0)


  def gethtmlfile( self, site, page ):
    try:
        url = 'http://'+site+''+page
        response = self.opener.open(url)
        return response.read()
    except Exception, err:
        print " Error retrieving: "+page
        sys.stderr.write('ERROR: %s\n' % str(err))
    return "" 

    return resppage

  def loginSite( self, site_url ):
    try:
    cj = CookieJar()
    self.opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

    url = 'http://'+site_url 
        params = {'name': 'customer_admin', 'pass': 'customer_admin123', 'opt': 'Log in', 'form_build_id': 'form-3560fb42948a06b01d063de48aa216ab', 'form_id':'user_login_block'}
    user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
    self.headers = { 'User-Agent' : user_agent }

    data = urllib.urlencode(params)
    response = self.opener.open(url, data)
    print "Logged in"
    return response.read() 

    except Exception, err:
    print " Error logging in"
    sys.stderr.write('ERROR: %s\n' % str(err))

    return 1

  def handle_starttag( self, tag, attrs ):
    if tag == 'a':
      newstr = str(attrs[0][1])
      print newstr
      if re.search('http', newstr) == None:
        if re.search('mailto', newstr) == None:
          if re.search('#', newstr) == None:
            if (newstr in self.viewedQueue) == False:
              print "  adding", newstr
              self.instQueue.append( newstr )
              self.viewedQueue.append( newstr )
          else:
            print "  ignoring", newstr
        else:
          print "  ignoring", newstr
      else:
        print "  ignoring", newstr


def main():

  if len(sys.argv)!=3:
    print "usage is ./minispider.py site link"
    sys.exit(2)

  mySpider = miniHTMLParser()

  site = sys.argv[1]
  link = sys.argv[2]

  url_login_link = site+"/node?destination=node"
  print "\nLogging in", url_login_link
  x = mySpider.loginSite( url_login_link )

  while link != '':

    print "\nChecking link ", link

    # Get the file from the site and link
    retfile = mySpider.gethtmlfile( site, link )

    # Feed the file into the HTML parser
    mySpider.feed(retfile)

    # Search the retfile here

    # Get the next link in level traversal order
    link = mySpider.get_next_link()

  mySpider.close()

  print "\ndone\n"

if __== "__main__":
  main()
3
shim

Ho usato Ruya e l'ho trovato piuttosto buono.

3
kshahar

Fidati di me, niente è meglio del ricciolo ... il seguente codice può eseguire la scansione di 10.000 url in parallelo in meno di 300 secondi su Amazon EC2

ATTENZIONE: Non colpire lo stesso dominio a una velocità così elevata ....

#! /usr/bin/env python
# -*- coding: iso-8859-1 -*-
# vi:ts=4:et
# $Id: retriever-multi.py,v 1.29 2005/07/28 11:04:13 mfx Exp $

#
# Usage: python retriever-multi.py <file with URLs to fetch> [<# of
#          concurrent connections>]
#

import sys
import pycurl

# We should ignore SIGPIPE when using pycurl.NOSIGNAL - see
# the libcurl tutorial for more info.
try:
    import signal
    from signal import SIGPIPE, SIG_IGN
    signal.signal(signal.SIGPIPE, signal.SIG_IGN)
except ImportError:
    pass


# Get args
num_conn = 10
try:
    if sys.argv[1] == "-":
        urls = sys.stdin.readlines()
    else:
        urls = open(sys.argv[1]).readlines()
    if len(sys.argv) >= 3:
        num_conn = int(sys.argv[2])
except:
    print "Usage: %s <file with URLs to fetch> [<# of concurrent connections>]" % sys.argv[0]
    raise SystemExit


# Make a queue with (url, filename) tuples
queue = []
for url in urls:
    url = url.strip()
    if not url or url[0] == "#":
        continue
    filename = "doc_%03d.dat" % (len(queue) + 1)
    queue.append((url, filename))


# Check args
assert queue, "no URLs given"
num_urls = len(queue)
num_conn = min(num_conn, num_urls)
assert 1 <= num_conn <= 10000, "invalid number of concurrent connections"
print "PycURL %s (compiled against 0x%x)" % (pycurl.version, pycurl.COMPILE_LIBCURL_VERSION_NUM)
print "----- Getting", num_urls, "URLs using", num_conn, "connections -----"


# Pre-allocate a list of curl objects
m = pycurl.CurlMulti()
m.handles = []
for i in range(num_conn):
    c = pycurl.Curl()
    c.fp = None
    c.setopt(pycurl.FOLLOWLOCATION, 1)
    c.setopt(pycurl.MAXREDIRS, 5)
    c.setopt(pycurl.CONNECTTIMEOUT, 30)
    c.setopt(pycurl.TIMEOUT, 300)
    c.setopt(pycurl.NOSIGNAL, 1)
    m.handles.append(c)


# Main loop
freelist = m.handles[:]
num_processed = 0
while num_processed < num_urls:
    # If there is an url to process and a free curl object, add to multi stack
    while queue and freelist:
        url, filename = queue.pop(0)
        c = freelist.pop()
        c.fp = open(filename, "wb")
        c.setopt(pycurl.URL, url)
        c.setopt(pycurl.WRITEDATA, c.fp)
        m.add_handle(c)
        # store some info
        c.filename = filename
        c.url = url
    # Run the internal curl state machine for the multi stack
    while 1:
        ret, num_handles = m.perform()
        if ret != pycurl.E_CALL_MULTI_PERFORM:
            break
    # Check for curl objects which have terminated, and add them to the freelist
    while 1:
        num_q, ok_list, err_list = m.info_read()
        for c in ok_list:
            c.fp.close()
            c.fp = None
            m.remove_handle(c)
            print "Success:", c.filename, c.url, c.getinfo(pycurl.EFFECTIVE_URL)
            freelist.append(c)
        for c, errno, errmsg in err_list:
            c.fp.close()
            c.fp = None
            m.remove_handle(c)
            print "Failed: ", c.filename, c.url, errno, errmsg
            freelist.append(c)
        num_processed = num_processed + len(ok_list) + len(err_list)
        if num_q == 0:
            break
    # Currently no more I/O is pending, could do something in the meantime
    # (display a progress bar, etc.).
    # We just call select() to sleep until some more data is available.
    m.select(1.0)


# Cleanup
for c in m.handles:
    if c.fp is not None:
        c.fp.close()
        c.fp = None
    c.close()
m.close()
3
codersofthedark

Un altro semplice spider Usa BeautifulSoup e urllib2. Niente di troppo sofisticato, basta leggere tutto quello che un href costruisce una lista e se ne va.

2
rytis