简易爬虫平台设计与实现

世界上本没有架构,写的代码多了,就有了架构。

前言

早期,我为了抓取mp3和一些网站文章,随意写了些零零星星的代码。后来,使用了scrapy和webmagic等爬虫框架,算是走上了正轨。又后来,东一个组件,西一个库,东拼西凑,软件又慢慢脱离正轨。到了现在,终于活成了自己的模样,变成了四不像。

整体架构

基本逻辑如下:

  • 通过web端管理爬虫平台,通过手机做一些内容管理,搜索
  • API网关统一接收请求,然后扔到消息队列
  • robot server接收到消息后,远程调用chrome,打开相应页面
  • chrome中内容被mitmproxy截获,mitmproxy再交给一个个Processor处理
  • Processor获得匹配到的内容,完成入库

实现

主要进程

python 复制代码
async def run(args):
    # configure_loguru(args.host, args.port)
    robot_manager = RobotManager()
    robot_manager.load_robots()

    loop = asyncio.get_event_loop()
    tasks = []

    # 启动API网关
    if args.mode == 'gateway':
        tasks.append(launchFastAPIServer())

    # 启动mitm
    if args.mode == 'mitm':
        tasks.append(launch_mitmweb(robot_manager, args))

    # 启动robot server
    if args.mode == 'server':
        tasks.append(launch_robot(robot_manager))

Chrome节点

运行Chrome:

bash 复制代码
chrome --no-sandbox --disable-setuid-sandbox \
       --no-default-browser-check --no-first-run \
       --disable-dev-shm-usage --remote-debugging-port=9222 \
       --user-data-dir=/home/user1/data --proxy-server=http://127.0.0.1:1080
相关推荐
华科云商xiao徐1 小时前
冷门但好用的Python库写个爬虫代码
爬虫
华科云商xiao徐1 小时前
Koa+Puppeteer爬虫教程页面设计
爬虫
Python×CATIA工业智造4 小时前
列表页与详情页的智能识别:多维度判定方法与工业级实现
爬虫·深度学习·pycharm
失败又激情的man15 小时前
python之requests库解析
开发语言·爬虫·python
爬虫程序猿15 小时前
利用爬虫按关键字搜索淘宝商品实战指南
android·爬虫
打酱油的;15 小时前
爬虫-数据解析
爬虫
打酱油的;15 小时前
爬虫-request处理get
爬虫·python·django
布语world18 小时前
2025快手创作者中心发布视频python实现
爬虫·python
浏览器API调用工程师_Taylor1 天前
Look my eyes 都2025年了,你还不会将重复的事情自动化?
前端·javascript·爬虫
浏览器API调用工程师_Taylor1 天前
自动化重复任务:从手动操作到效率飞跃
前端·javascript·爬虫