jd_spider

jd_spider copied to clipboard

公告 因为京东反爬策略的更新，该repo的爬虫有可能已经无法爬取内容，兼之这个爬虫是本人在大三时候编写的，时隔两年多，本人已经工作，没有时间和精力继续更新反反爬策略，遂放弃维护。

概述 使用 scrapy, scrapy-redis, graphite 实现的京东分布式爬虫，以 mongodb 实现底层存储。分布式 实现，解决带宽和性能的瓶颈，提高爬取的效率。实现 scrapy-redis 对进行 url 的去重 以及调度，利用redis的高效和易于扩展能够轻松实现高效率下载：当redis存储或者访问速 度遇到瓶颈时，可以通过增大redis集群数和爬虫集群数量改善

版本支持 现在支持Py2 和 Py3, 但是需要注意的是，为了兼容Py2, 默认不开启Graphite, 如果需要开启的话，需要Py3 并且修改 settings.py 的 ~ENABLE_GRAPHITE~ 字段，默认为False

爬取策略 获取 ~~ 标签里面的 url 值，然后迭代爬取，并且把 url 限定在~xxx.jd.com~ 范围内，防止无限广度的问题。在爬取某个页面的商品的时候，会把同一个商品的不同 规格爬取下来，例如32GIPhone,64GIPhone, 126GIPhone 等。

请求去重策略 使用 scrapy_redis.dupefilter.RFPDupeFilter 实现去重，请求入队列的逻辑－ [[https://github.com/rmax/scrapy-redis/blob/31c022dd145654cb4ea1429f09852a82afa0a01c/src/scrapy_redis/scheduler.py#L153][enqueue_request]], 而具体的去重逻辑是调用 [[https://github.com/scrapy/scrapy/blob/acd2b8d43b5ebec7ffd364b6f335427041a0b98d/scrapy/utils/request.py#L19][scrapy.utils.request.request.fingerprint]]

商品去重策略 使用 Redis 进行商品去重，将商品的 sku-id 放入Redis, 在将整个商品数据插入到 Mongodb 之前，先检查 Redis 里sku-id 是否已存在

反反爬虫策略 ** 禁用 cookie 通过禁用 cookie, 服务器就无法根据 cookie 判断出爬虫是否访问过网站 ** 伪装成搜索引擎 现在可以通过修改 user-agent 伪装成搜索引擎 #+BEGIN_SRC 'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)', 'Mozilla/5.0 (compatible; Bingbot/2.0; +http://www.bing.com/bingbot.htm)', 'Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com/help/us/ysearch/slurp)', 'DuckDuckBot/1.0; (+http://duckduckgo.com/duckduckbot.html)', 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)', 'Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)', 'ia_archiver (+http://www.alexa.com/site/help/webmasters; [email protected])', #+END_SRC ** 轮转 user-agent 为了提高突破反爬虫策略的成功率，定义多个user-agent, 然后每次请求都随机选择 user-agent。本爬虫实现了一个 ~RotateUserAgentMiddleware~ 类来实现 user-agent 的轮转 ** 代理 IP 使用代理 IP, 防止 IP 被封

爬虫状态监控 将爬虫stats信息(请求个数，item下载个数，dropItem个数，日志)保存到redis中 实现了一个针对分布式的stats collector，并将其结果用graphite以图表形式动态实时显示

并发请求和深度控制 通过 ~setting.py~ 中的 ~CONCURRENT_REQUESTS = 32~ 配置来控制并发请求数量，通过 ~DepthMiddle~ 类的 ~DEPTH_LIMIT=max~ 参数来控制爬虫的的递归深度

项目依赖

• python 3.5+
• scrapy
• scrapy-redis
• pymongo
• graphite (可选)

如何运行 #+BEGIN_SRC sh git clone https://github.com/samrayleung/jd_spider.git #+END_SRC 然后安装 python依赖 #+BEGIN_SRC sh (sudo) pip install -r requirements.txt #+END_SRC ** 安装Graphite(可选) *** docker 安装 安装配置 graphite. 需要注意的是 graphite 只适用于 Linux 平台，且安装过程非常 麻烦，所以强烈建议使用 docker 进行安装。我基于 [[https://github.com/hopsoft/docker-graphite-statsd][docker-graphite-statsd]] 这个 graphite 的镜像作了些许配置文件的修改，以适配 scrapy. 运行以下命令以拉取并运 行 image #+BEGIN_SRC sh sudo docker run -d
--name graphite
--restart=always
-p 80:80
-p 2003-2004:2003-2004
-p 2023-2024:2023-2024
-p 8125:8125/udp
-p 8126:8126
samrayleung/graphite-statsd #+END_SRC 然后就可以在浏览器打开： [[http://localhost/dashboard][dashboard]] 或者是登录到管理界面： [[http://localhost/account/login]] 默认帐号密码是：

• username: root
• password: root *** 手动安装 当然，你也可以自己配置 graphite, 在成功配置 graphite 之后，需要修改一些配置：
• 把 ~/opt/graphite/webapp/content/js/composer_widgets.js~ 文件中 ~toggleAutoRefresh~ 函数里的 ~interval~ 变量从60改为1。
• 在配置文件 ~storage-aggregation.conf~ 里添加： #+BEGIN_SRC [scrapy_min] pattern = ^scrapy.._min$ xFilesFactor = 0.1 aggregationMethod = min [scrapy_max] pattern = ^scrapy.._max$ xFilesFactor = 0.1 aggregationMethod = max [scrapy_sum] pattern = ^scrapy..*_count$ xFilesFactor = 0.1 aggregationMethod = sum #+END_SRC 而 ~storage-aggregation.conf~ 这个配置文件一般是位于 ~/opt/graphite/conf~ ** 运行 一切准备就绪之后，就可以运行爬虫了。 进入到 ~jd~ 目录下： #+BEGIN_SRC sh scrapy crawl jindong #+END_SRC ** 注意事项 需要注意的是，本项目是含有两只爬虫，爬取商品评论需要先爬取商品信息，因为有了 商品信息才能爬取评论 ** 代理 IP 虽然不使用代理 IP 可以爬取商品信息，但是可能爬取一段时间后就无法爬取商品信息， 所以需要添加代理 IP. 以 http://ip:port 的形式保存到文本文件，每行一个 IP,然后 在 ~setting~ 中指定路径： #+BEGIN_SRC python PROXY_LIST = 'path/to/proxy_ip.txt' #+END_SRC 并且去掉下面配置的注释： #+BEGIN_SRC python RETRY_TIMES = 10 RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]

DOWNLOADER_MIDDLEWARES = { 'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90, 'scrapy_proxies.RandomProxy': 100, 'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110, } PROXY_MODE = 0 #+END_SRC

运行截图 ** graphite 监控

[[./images/jd_comment_graphite1.png]]

[[./images/jd_comment_graphite2.png]] ** 评论 [[./images/jd_comment.png]] ** 评论总结 [[./images/jd_comment_summary.png]] ** 商品信息 [[./images/jd_parameters.png]] ** Todo ** Done 优化商品去重策略 CLOSED: [2018-03-09 Fri 21:16] Issue:解决 [[https://github.com/samrayleung/jd_spider/issues/6][爬取重复商品]] ** Todo 优化爬取策略 ** Todo 增加新的解析策略 Issue: 解决 [[https://github.com/samrayleung/jd_spider/issues/10][parse book item error]]

ChangeLog ** 2018-9-30

• 新增 Pipenv 支持
• 增加 py2 支持
• 默认不开启 Graphite
• 将爬虫修改回继承 ~RedisSpider~
• 修复Github 提示的可能存在漏洞的包
• 感觉JD 的反爬虫策略明显加强，尝试爬了一会，很快被封IP
• 这个应该最后一次Update, 不会再投入精力到这个爬虫项目了 ** 2018-4-4
• 将 Graphite 修改为可选项

参考及致谢

• [[https://github.com/noplay/scrapy-graphite]]
• [[https://github.com/gnemoug/distribute_crawler]]
• https://github.com/hopsoft/docker-graphite-statsd
• [[https://github.com/aivarsk/scrapy-proxies]]