videoSpider
分布式视频信息爬虫,从豆瓣,bilibili等收集电视剧、电影、动漫、演员等信息,
使用requests, BeautifulSoup, gevent, SQLAlchemy, Alembic, celery
Install
首先因为选择使用使用lxml解析html, 安装lxml库前需要安装相关c库
sudo apt-get install libxml2-dev libxslt-dev python-dev
sudo apt-get build-dep python3-lxml
注意用python3
virtualenv tv -p python3
. tv/bin/activate
git clone https://github.com/billvsme/videoSpider
cd videoSpider
pip install -r requirements.txt
Usage
注意使用python3 首先,设置配置config.ini
cp config/config_dev.ini config/config.ini
vim config/config.ini
config_dev.ini 默认配置，可以运行，最好自己修改一下（比如celery的backend）。
[database]
database_url = sqlite:///tv.db #数据库
test = false #是否输出SQLAlchemy 信息
[photo]
path = ./photo ＃下载图片存放等位置
[qiniu] #七牛的配置
access_key = xxxx
secret_key = xxxx
bucket_name = xxxx
[celery] ＃celery 配置
backend = db+sqlite:///celery_backend.sqlite
broker = sqla+sqlite:///celery_borker.sqlite
然后生成数据库
alembic upgrade head
然后运行Celery
celery -A tasks worker --loglevel=info
抓取电影、电视剧、动漫 信息(video)
python start.py video
抓取演员信息
python start.py celebrity
下载电影、电视剧、动漫、演员的图片到本地(大概需要10个小时, 40G)
python start.py down-image
上传图片到七牛
python start.py upload-image
创建Whoosh索引
python start.py whoosh
Doc
代码的文件结构
.
├── README.md
├── alembic
├── alembic.ini # alembic.ini 配置文件，注意无需修改其中的'sqlalchemy.url'
├── config # 存放配置信息
├── helpers # 存放一些公共的函数
├── models # model层
├── start.py # cmdline
├── tasks.py # 定义Celery任务
└── webs # 存放各个网站的代码
├── bilibili
│ ├── parsers # 定义html解析函数
│ └── tasks # 调用parsers, 把解析出来的数据保存到数据库
└── douban
├── parsers
└── tasks
model
流程
遇到的坑
- SQLAlchemy 多进程问题: http://docs.sqlalchemy.org/en/rel_1_0/core/pooling.html, 而且要注意更新session, 这就是为什么config中使用一个名叫sqla的字典来保存session和engine
- sqlite 对 alter 支持有问题。所以alembic 如果使用sqlite 注意: https://alembic.readthedocs.org/en/latest/batch.html
- alembic.ini 中的配置信息，可以在alembic/env.py 中使用config.set_main_option 定义
- lxml 安装: http://lxml.de/installation.html