項目地址:
https://github.com/billvsme/videoSpider
從豆瓣,bilibili等收集電視劇、電影、動漫、演員等信息,
使用:requests 發送請求,BeatufulSoup解析html,SQLAlchemy 作爲ORM,Alembic數據庫版本控制。
使用:協程(gevent)+多進程,分佈式(Celery)
Doc
代碼的文件結構
.
├── README.md
├── alembic
├── alembic.ini # alembic.ini 配置文件,注意無需修改其中的'sqlalchemy.url'
├── config # 存放配置信息
├── helpers # 存放一些公共的函數
├── models # model層
├── start.py # cmdline
├── tasks.py # 定義Celery任務
└── webs # 存放各個網站的代碼
├── bilibili
│ ├── parsers # 定義html解析函數
│ └── tasks # 調用parsers, 把解析出來的數據保存到數據庫
└── douban
├── parsers
└── tasks
model
流程
遇到的坑
- SQLAlchemy 多進程問題: http://docs.sqlalchemy.org/en/rel_1_0/core/pooling.html, 而且要注意更新session, 這就是爲什麼config中使用一個名叫sqla的字典來保存session和engine
- sqlite 對 alter 支持有問題。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 定義
- lxml 安裝: http://lxml.de/installation.html
Install
注意用pythone3
首先因爲選擇使用使用lxml解析html, 安裝lxml庫前需要安裝相關c庫
sudo apt-get install libxml2-dev libxslt-dev python-dev
sudo apt-get build-dep python3-lxml
virtualenv tv -p python3
. tv/bin/activate
git clone https://github.com/billvsme/videoSpider
cd videoSpider
pip install -r requirements.txt
Usage
注意用pythone3
首先,設置配置config.ini
cp config/config_dev.ini config/config.ini
vim config/config.ini
config_dev.ini 默認配置,可以運行,最好自己修改一下(比如celery的backend)。
[database]
database_url = sqlite:///tv.db #數據庫
test = false #是否輸出SQLAlchemy 信息
[photo]
path = ./photo #下載圖片存放等位置
[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
然後生成數據庫
alembic upgrade head
然後運行Celery
celery -A tasks worker --loglevel=info
抓取電影、電視劇、動漫 信息(video)
python start.py video
抓取演員信息
python start.py celebrity
下載電影、電視劇、動漫、演員的圖片到本地(大概需要10個小時, 40G)
python start.py down-image
上傳圖片到七牛
python start.py upload-image
創建Whoosh索引
python start.py whoosh