基于Scrapy的交互式漫画爬虫

基于Scrapy的交互式漫画爬虫-LMLPHP

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

下面讲解scrapy的各块工作，pickup有点意思的部分

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')	# spider生命周期结束

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，流失显示
    def frame_section(self, response):
        pass	# 类上

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 = ['xxxxx']

进度条这个一开始时还不知怎么处理，后来扫了一下Pipeline类的源码发现downloaded方法算较为接近了

def file_path(self, request, response=None, info=None):
    """图片下载存储前调用此方法，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)) 	# 后台处理百分比进度扔回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

基于Scrapy的交互式漫画爬虫-LMLPHP

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
- 按钮与 输入关键字 构成参数，由按钮触发工作线程等生成，然后替换成按钮
- 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
- 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，流式显示主要数据；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

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

def get_info():
    with open(f'./setting.txt', 'r', encoding='utf-8') as fp:
        text = fp.read()
        sv_path = re.search('<([\s\S]+)>', text).group(1)
        level = re.search('(DEBUG|WARNING|ERROR)', text).group(1)
        # ………………

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:	# 这方法自我感觉用起来还挺顺手
    """
    "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中每个值中前为项目现位置，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，就是逻辑写得似乎不雅，以后学习下策略模式应用

欢迎大家前往本项目试用下交流下意见

Json-Eri