乐趣区

关于网页爬虫:强大高效而精简易用的Golang爬虫框架Colly能否取代-Scrapy

jiezi

前言

任何刚接触爬虫编程的敌人可能都相熟或者或多或少理解过基于 Python 异步框架 Twisted 的爬虫框架 Scrapy。Scrapy 倒退了将近 7 年，是爬虫框架中的开山鼻祖，自然而然成为最受欢迎的也是利用最广的爬虫框架。对于 Scrapy 来说，其人造的劣势是反对并发，而且集成了 HTTP 申请、下载、解析、调度等爬虫程序中常见的功能模块，让爬虫工程师只专一于页面解析和制订抓取规定，在过后极大的简化了爬虫开发流程，进步了开发效率。

然而，Scrapy 并不是完满的，它依然有不少毛病。其中，它的模版定制化成为了制约 Scrapy 爬虫我的项目的双刃剑：一方面，Scrapy 形象出了各种必要的模块，包含爬虫（Spider）、抓取后果（Item）、中间件（Middleware）、管道（Pipeline）、设置（Setting）等，让用户能够间接上手依照肯定规定编写本人想要开发的爬虫程序；另一方面，这些高度形象的模块让整个爬虫我的项目显得比拟臃肿，每个爬虫我的项目都须要依照相应的模版生成好几个文件，导致配置、爬虫等治理起来绝对比拟凌乱。而且，Scrapy 在一些非凡场景例如分布式抓取时显得爱莫能助，因而很多高级爬虫工程师甚至须要更改 Scrapy 源码来满足业务要求。

为了解决这些问题，基于动态语言 Golang 的爬虫框架 Colly 在 2017 年末诞生了。尽管它的名气和受欢迎水平还不迭 Scrapy，但在试用之后我发现它有一个最特地的劣势：简略（Easiness）。依据 Colly 官网上的个性介绍，它有清新的 API（Clean API），疾速（Fast），人造反对分布式（Distributed），同步 / 异步 / 并行抓取（Sync/async/parallel scraping），丰盛的扩大（Extensions），以及更多个性。作者在简略的看了 Colly 的文档之后，尝试用 Colly 编写一些绝对简略的爬虫程序，发现编写结束后，每个网站的代码只蕴含一个文件。简而言之，它相当轻量级，不须要特地多的冗余代码就能够实现本人想要的逻辑。

下图是 Colly 和 Scrapy 在 Github 的 Star 数比照。能够看到 Colly 倒退较晚，star 数不到 Scrapy 的三分之一，但还在高速增长当中。本文将着重介绍这个年老而弱小的爬虫框架: Colly。

动态语言 Golang

Colly 是基于动态语言 Golang 开发的。家喻户晓，Golang 也是一个比拟年老的语言，仅有 13 年历史（相较而言，Python 有将近 30 年历史）。Golang 人造反对并发（Concurrency），要起一个协程（Coroutine），只须要在调用函数前加一个 go 关键词即可，非常简单。当然，Golang 还有其余很棒的个性，例如通道（chan）。不过对于爬虫来说反对并发是十分重要的，因为一个高效的爬虫须要尽可能多的占用网络带宽资源，Golang 的并发个性给编写爬虫框架来说带来了劣势。反观 Python，如果要实现并发的话须要做很多工作，包含利用 asyncio 库和从 JavaScript ES7 借鉴过去的 async/await 语法，并不是很直观。

上面是 Golang 的异步语法例子。

func run() {fmt.Printf("hello world")
}

func main() {go run()
}

上面是 Python 的异步语法例子。

import asyncio

async def main():
    print('Hello ...')
    await asyncio.sleep(1)
    print('... World!')

# Python 3.7+
asyncio.run(main())

Golang 作为动态语言还有另一个十分重要的劣势，也就是其代码的 可预测性（Predictability）。动态语言要求变量、参数以及函数返回后果都指定相应的类型，并且在编译的时候会查看类型的正确性，保障代码的可靠性。用动态语言编写的一个益处，就是能够让本人防止很多因为类型谬误导致的 bug。因而，对于可靠性和健壮性要求较高的大型项目来说，用动态语言编写会是比拟正当的抉择。编写 Golang 程序的时候，IDE 会依据类型或变量主动补全潜在的代码，是不是很香。相同，以 Python 为代表的动静语言，就没那么严格了。尽管 Python 是强类型语言，但它并不存在预编译的过程，因而无奈在编译时（Compile）检测出类型谬误。很多时候如果类型传入不对，都会在运行时（Runtime）导致谬误。网上流传的“动静一时爽，重构火葬场”，说的也是这个情理。尽管动静语言（例如 Python）给抓取后果赋予了肯定的灵活性，但在我看来，大型爬虫我的项目用动态语言（例如 Golang）会是个更正当的抉择。

Colly

之前也介绍了，Colly 是一个由 Golang 编写的爬虫框架。Colly 其实是 Collector 或 Collecting 的昵称。它精简易用而弱小高效，正在逐步成为 Scrapy 以外的爬虫框架抉择。

咱们上面用一个例子来看一下它是如何做到的。（本文不是 Colly 的参考文档，仅心愿通过一些例子来介绍 Colly 的劣势和个性，要看所有 API 请参考 Colly 官网文档）

在任意目录创立 baidu_spider.go 文件，并输出下列代码。

package main

import (
    "fmt"
    "github.com/crawlab-team/crawlab-go-sdk/entity"
    "github.com/gocolly/colly/v2"
)

func main() {
    // 生成 colly 采集器
    c := colly.NewCollector(colly.AllowedDomains("www.baidu.com"),
        colly.Async(true),
        colly.UserAgent("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.135 Safari/537.36"),
    )

    // 抓取后果数据钩子函数
    c.OnHTML(".result.c-container", func(e *colly.HTMLElement) {
        // 抓取后果实例
        item := entity.Item{"title": e.ChildText("h3.t > a"),
            "url":   e.ChildAttr("h3.t > a", "href"),
        }
        
        // 打印抓取后果
        fmt.Println(item)
        
        // 勾销正文调用 Crawlab Go SDK 存入数据库
        //_ = crawlab.SaveItem(item)
    })

    // 分页钩子函数
    c.OnHTML("a.n", func(e *colly.HTMLElement) {_ = c.Visit("https://www.baidu.com" + e.Attr("href"))
    })

    // 拜访初始 URL
    startUrl := "https://www.baidu.com/s?wd=crawlab"
    _ = c.Visit(startUrl)

    // 期待爬虫完结
    c.Wait()}

下面这个爬虫脚本，仅有 40 行代码。如果要用 Scrapy 来实现同样的性能，可能须要更多代码和文件目录。

能够从代码中看到，Colly 的爬虫程序编写非常简单，次要蕴含四个局部：

  1. 生成 Colly 采集器（Collector）c，并传入一些配置信息；
  2. OnHTML 钩子函数，蕴含 colly.HTMLElement 元素实例，这里次要是解决抓取后果的逻辑；
  3. c.Visit 拜访函数，相似 Scrapy 中的 yield scrapy.Request；
  4. c.Wait 期待函数，期待 Colly 爬虫程序执行结束。

创立好之后，在所在目录执行 go run baidu_spider.go，即可运行百度搜寻“crawlab”关键词爬虫。运行后果相似如下。

...
map[title:docker 装置爬虫管理工具 crawlab - kindvampire - 博客园 url:http://www.baidu.com/link?url=ueCY-MwzzGwaVqXw3Q18Fz8rEodI1P_mv60lRd8H0UZdFC4xVnVwWtsh-HpiwaOFI1zVjZFeVca]
map[title:crawlab python 脚本关联 mongodb 后果集, 实例_kai4024589..._CSDN 博客 url:http://www.baidu.com/link?url=2wFQZaLoEk7OOTHrf1LOJcPiBAZEFETQYbjrqnrJi_Wfqdx-gPFIyjt2q3f7lTC-8A6SWz_l8zE6D8SBs1j0c4DOIwbdAw8i]
map[title: 手把手教你如何用 Crawlab 构建技术文章聚合平台(一)_wei..._CSDN 博客 url:http://www.baidu.com/link?url=nr9NOz2dqYFuaU5E1Zjz0OIfeeixSADNBNcHwj4dw9zypIky-9dVxd4RdzdS8-JMP7_X-LYpo0ydWmB8VNBmqq]
map[title:tikazyq-crawlab-master crawlab 爬虫平台 适宜 scrapy 分布式部署... url:http://www.baidu.com/link?url=VibsGu0BinYAUR_96pWCmcELObAXIPn7rKprlc9HR_607_cuEbxlcShUHqXjOoV6dnc4pND5F0K]
map[title: 手把手教你如何用 Crawlab 构建技术文章聚合平台(一) - 集体文章... url:http://www.baidu.com/link?url=SG6dJcLc20xIuiesjRIXu2XzGSR0N674BEnUTveJhYe5mRc9SFtggk-NL0pmAAa]
map[title: 爬虫治理平台 Crawlab v0.3.0 公布(Golang 版本) - 集体文章... url:http://www.baidu.com/link?url=TItw3zWB4jHCoGmoQMm01E7oP2WlwfX7BRMsA9WDhaxHeQZZDi3I8bZh_kgTfpNx4fhtf42_]
map[title:Crawlab 单节点服务集群搭建部署扼要教程 - 集体文章 - Segment... url:http://www.baidu.com/link?url=cuYEFA1zjqK1GiEmDCjwRMLDGFVKDsz6u4ljYjQol-VwDdr_cBS9Y3UlgChkyCuO7A_]
...

你可能会纳闷，Pipeline 和 Middleware 等 Scrapy 中定义的模块去哪里了？其实，你须要留神的是，这些模块并不是必须的，只是大佬们在开发爬虫过程中总结进去的一些实用的逻辑，形象进去了而已。如果要在 Colly 中实现 Pipeline，间接在 c.OnHTML 钩子函数中的回调函数中调用一下后续处理函数即可，例如上面代码。

...
    c.OnHTML(".result.c-container", func(e *colly.HTMLElement) {
        item := entity.Item{"title": e.ChildText("h3.t > a"),
            "url":   e.ChildAttr("h3.t > a", "href"),
        }
        
        // 后续解决抓取后果
        PostProcess(item)
    })
...

从这个例子中，你能够看到 Colly 的 API 非常简单、清新，而正是这种简略赋予了其极高的 灵活性（Flexibility），让开发者能够在框架内做很多简单的事件。

当然，Colly 也是有毛病的。从目前的开发进度来看，Colly 仿佛还无奈反对动静渲染内容的抓取，例如 Ajax 数据渲染，而这个在 Scrapy 中是有现成的不少解决方案的。不过从最近的 Github 上的 Pull Request 来看，反对动静渲染内容应该会很快反对 chromedp 了，也就是反对调用 Chromium 来运行 JavaScript 内容。另外，Colly 仿佛还短少 Scrapy 中内置的日志零碎和数据统计模块，仿佛有些过于轻量化。

不过，咱们有理由置信，随着今后一直迭代，Colly 会变得越来越全面和弱小的。

与 Crawlab 集成

Crawlab 是反对任何语言和框架的分布式爬虫治理平台，实践上能运行所有类型的爬虫，包含 Colly 和 Scrapy。对 Crawlab 不理解的敌人能够查看 Crawlab 官网 以及 Github 首页)。

首先利用 Crawlab CLI 将爬虫文件上传。

~/projects/tikazyq/colly-crawlers/baidu(master*) » crawlab upload
go.mod
go.sum
baidu_spider.go
uploaded successfully

而后在 Crawlab 的爬虫详情界面中输出执行命令 go run baidu_spider.go，点击“运行”开启爬虫。而后爬虫就会开始运行。

期待一段时间，爬虫运行完结。咱们能够在日志中看到打印进去的后果。

并且，咱们还能够在“后果”中查看抓取到的后果数据。这些后果是默认保留在 MongoDB 数据库里的。

因而，用 Crawlab 来治理 Colly 爬虫是十分不便的。

总结

本文从介绍出名爬虫框架 Scrapy 的优缺点开始，引入了基于 Golang 的高效而简略的爬虫框架 Colly。而后咱们用一个百度搜索引擎抓取的例子，论述了 Colly 的劣势，也就是它精简而清新的 API 以及动态语言的健壮性，还有很多其余实用个性。Colly 的呈现，或者象征着爬虫开发者对简洁的谋求，所谓“大道至简”，就是 用简略而纯正的货色发明微小的价值 。爬虫技术的倒退，是一个开发流程由简单变简略、而程序性能由简略变简单的过程。爬虫技术经验了 urllib/requests+BeautifulSoup 原始技术，到 Scrapy 的全能框架，再到现在的 Colly 的轻量级框架。而现在曾经有不少所谓的“低代码”甚至“无代码”爬虫平台了，例如 Crawlab 可配置爬虫、八爪鱼 / 后羿采集器。而智能化的爬虫抓取也在逐步变得风行。从这个角度来看，Colly 绝对于 Scrapy 应该是提高了。不过 当初要说 Colly 是否取代 Scrapy 还为时过早，因为 Scrapy 还有很多优良的个性和生态是 Colly 临时无奈代替的。然而，Colly 目前正在高速倒退，逐步被开发者所理解，随着一直的反馈迭代，Colly 十分有后劲成为另一个爬虫界的必备技术。

参考

  • Colly Github: https://github.com/gocolly/colly
  • Colly 文档: https://pkg.go.dev/github.com…
  • Crawlab Github: https://github.com/crawlab-te…
  • Crawlab 官网: https://crawlab.cn
  • Crawlab 演示: https://demo-pro.crawlab.cn
退出移动版