chuwt / dcrawl

一个分布式异步爬虫

Dcrawl

一个分布式异步爬虫，采用生产Producer和消费Consumer模式

Updates

- v0.2.1
    - 修复了初始化tasks时关闭无法跳出循环的bug
    - 修复asyncio headers 的传入bug

- v0.2
    - 重构consumer：
        1. 改变原有的初始化方式，将原来的redis异步读取，改为一次性读取到内存中
        2. 修改原来的worker方法，添加未完成队列和完成队列来进行任务跟踪，这样每个task都会被
            执行一遍，不存在一个task被执行多次，而另一个task（同一group中）被执行多次
        3. 添加了格式化log

- v0.1.2
    - 添加请求时group参数，用于将task分组，同一组享有共同的timeout
    - 添加tasker模块，用于构造发送的请求
    - 添加conumser result的返回name
    - 修复aredis请求资源竞争问题

- v0.1.1
    - 修复aredsi造成的warnning
    - 修复consumer 处理请求次数的bug

- v0.1
    - 添加producer_demo中循环添加data的提示
    - 修复consumer的get请求带有空data会出错的bug
    - 将consumer原本控制台输出放入log作为info
    - 将consumer的同步redis改为异步aredis，set_host 会报warnning，后期改进
    - 任务添加times字段，表示执行次数

bug list

- 新的任务到来时的重新载入任务

TODO List

- 优化woker， 添加log输出
- 添加websocket的支持（已完成初步）
- 添加proxy支持
- pypi修复

pip

# todo pypi配置问题，暂时无法使用，后面修复
# pip install chuwt-Dcrawl

producer_demo

from producer import Producer
from tasker import Tasker
p = Producer()
task = Tasker()
task.name = 'baidu'
task.url = 'https://baidu.com'
task.headers = {"Content-Type": "application/json"}
task.method = "get"
p.add_task(task)
p.run()

consumer_demo

from consumer import Consumer
cons = Consumer()

# 数据处理方法 todo 可以根据不同的name写不同的handle
@Consumer.handle
def result(resp, name):
    print('test')
    print(resp)
    
cons.loop_task()