Ubuntu 16.04 系统(解释器为 python3.12)在Pycharm虚拟环境中安装 pyspider 爬虫工具

一:安装步骤

步骤1. 系统Terminal命令行执行如下命令安装依赖的组件 PhantomJS

复制代码

    $ wget https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-2.1.1-linux-x86_64.tar.bz2
    $ sudo tar -xvf phantomjs-2.1.1-linux-x86_64.tar.bz2 -C /usr/local/
    $ sudo ln -s /usr/local/phantomjs-2.1.1-linux-x86_64/bin/phantomjs  /usr/local/bin/phantomjs
    $ phantomjs --version

步骤2. 系统Terminal命令行执行如下命令安装其他依赖包

复制代码

$ sudo apt update
$ sudo apt install libcurl4-openssl-dev backports

步骤3. pyspider 依赖的 tornado 库在 Python 3.12 环境下需要 backports.ssl_match_hostname 模块，而 pyspider 尚未完全适配这些改动。需通过pycharm的Terminal中执行如下命令解决

复制代码

 $ pip install backports.ssl_match_hostname

步骤4（可选）. pyspider 在 Python 3.12 环境中运行时存在兼容性问题。附件中是已修复好兼容问题的终版压缩包[ubuntu16.04(python3.12解释器)下pyspider兼容性修复完后的.tar.gz]，可以直接解压使用。然后进行步骤6（前提是先通过pip install强制安装了异常版本 pip install --force-reinstall pyspider），如果想自己一步步修改源码，可跳过此步，参考"步骤5.兼容问题修复"
点击下载压缩包：

步骤5. 兼容问题修复。pyspider 在 Python 3.12 环境中运行时存在兼容性问题。这是由于 Python 3.12 对部分旧模块进行了移除或者调整，而 pyspider 尚未完全适配这些改动，需要做如下修改

5.1 兼容问题1：Python3 中的 async 已经变成了关键字。需将源码中 async 替换成其他变量，

如：将下面位置的 async 改为 mark_async

复制代码

        pyspider/run.py 的231行、245行(两个)、365行
        pyspider/webui/app.py 的95行
        pyspider/fetcher/tornado_fetcher.py 的81行、89行(两个)、95行、117行

5.2 兼容问题2：部分旧模块进行了移除或者调整，而 pyspider 尚未完全适配这些改动。需通过如下步骤手动修改pyspider代码来解决兼容性问题
a). 修复 UserDict 和 Mapping 导入问题：
把 pyspider/libs/counter.py 文件里的python代码第14行：

复制代码

            try:
                from UserDict import DictMixin
            except ImportError:
                from collections import Mapping as DictMixin

改成：

复制代码

            try:
                from collections import UserDict as DictMixin
            except ImportError:
                from collections.abc import Mapping as DictMixin

把 pyspider/scheduler/task_queue.py 文件里的python代码第12行

复制代码

            try:
                from UserDict import DictMixin
            except ImportError:
                from collections import Mapping as DictMixin

改成：

复制代码

            try:
                from collections import UserDict as DictMixin
            except ImportError:
                from collections.abc import Mapping as DictMixin

b). 修复 imp 模块缺失问题：
把 pyspider/processor/project_module.py 文件中的python代码第11行：

复制代码

import imp

改成：

复制代码

 import importlib.util

c). 修复 MutableMapping 导入问题：
tornado 库引用MutableMapping出现错误，可修改 tornado/httputil.py 文件中的python代码第106行：

复制代码

class HTTPHeaders(collections.MutableMapping):

改成：

复制代码

 class HTTPHeaders(collections.abc.MutableMapping):

5.3 兼容问题3：pyspider 在 Python 3.12 环境下运行时存在兼容性问题，fractions模块已被移除，而 pyspider 尚未完全适配这些改动。修改如下将 fractions 替换成 math
a). pyspider/libs/base_handler.py的python代码第12行空白行新增

复制代码

import math

b).修改 pyspider/libs/base_handler.py的python代码将其中的第115行

复制代码

min_tick = fractions.gcd(min_tick, each.tick)

改成：

复制代码

min_tick = math.gcd(min_tick, each.tick)

5.4 兼容问题4：pyspider 使用的 Flask 版本不兼容。pyspider 是基于 Flask 旧版本开发的，而新版本（如 Flask 2.3+）移除了 before_first_request 装饰器，需进行如下修改
修改 pyspider/webui/debug.py的python代码将其中的第 64 行

复制代码

            @app.before_first_request
            def enable_projects_import():
                sys.meta_path.append(ProjectFinder(app.config['projectdb']))

改成：

复制代码

            @app.before_request
            def enable_projects_import():
                if not hasattr(app, '_got_first_request'):
                    app._got_first_request = True
                    sys.meta_path.append(ProjectFinder(app.config['projectdb']))

5.5 兼容问题5：pyspider 的 WebDAV 模块在 Python 3.12 环境下存在兼容性问题。
a) 在 Python 3.12 中，抽象基类（ABC）的检查变得更加严格，ScriptProvider 类没有实现其基类要求的所有抽象方法。修改如下
修改 pyspider/webui/webdav.py的python代码第165行

复制代码

           class ScriptProvider(DAVProvider):
                def __init__(self, app):
                    super(ScriptProvider, self).__init__()
                    self.app = app

                def __repr__(self):
                    return "pyspiderScriptProvider"

                def getResourceInst(self, path, environ):
                    path = os.path.normpath(path).replace('\\', '/')
                    if path in ('/', '.', ''):
                        path = '/'
                        return RootCollection(path, environ, self.app)
                    else:
                        return ScriptResource(path, environ, self.app)

改为：

复制代码

           class ScriptProvider(DAVProvider):
                def __init__(self, app):
                    super(ScriptProvider, self).__init__()
                    self.app = app

                def __repr__(self):
                    return "pyspiderScriptProvider"

                def getResourceInst(self, path, environ):
                    path = os.path.normpath(path).replace('\\', '/')
                    if path in ('/', '.', ''):
                        path = '/'
                        return RootCollection(path, environ, self.app)
                    else:
                        return ScriptResource(path, environ, self.app)

                # 添加缺失的抽象方法实现
                def get_resource_inst(self, path, environ):
                    return ScriptResource(path, self, environ)

b) WsgiDAV 库的配置格式发生了改变，domaincontroller 选项已被弃用，需要使用 http_authenticator.domain_controller 替代。修改如下
修改 pyspider/webui/webdav.py的python代码第207行

复制代码

            config = DEFAULT_CONFIG.copy()
            config.update({
                'mount_path': '/dav',
                'provider_mapping': {
                '/': ScriptProvider(app)
                },
                'domaincontroller': NeedAuthController(app),
                'verbose': 1 if app.debug else 0,
                'dir_browser': {'davmount': False,
                        'enable': True,
                        'msmount': False,
                        'response_trailer': ''},
            })
            dav_app = WsgiDAVApp(config)

改成：

复制代码

            config = DEFAULT_CONFIG.copy()
            config.update({
                'mount_path': '/dav',
                'provider_mapping': {
                '/': ScriptProvider(app)
                },
                # 更新认证配置
                "http_authenticator": {
                "domain_controller": NeedAuthController,  # 移动到 http_authenticator 下
                "accept_basic": True,
                "accept_digest": False,
                "default_to_digest": False,
                },
                'verbose': 1 if app.debug else 0,
                'dir_browser': {'davmount': False,
                        'enable': True,
                        'msmount': False,
                        'response_trailer': ''},
            })
            dav_app = WsgiDAVApp(config)

c) WsgiDAV 的认证控制器接口发生变化，存在兼容性问题，修改如下
修改 pyspider/webui/webdav.py的python代码第186行：

复制代码

            class NeedAuthController(object):
                def __init__(self, app):
                    self.app = app

                def getDomainRealm(self, inputRelativeURL, environ):
                    return 'need auth'

                def requireAuthentication(self, realmname, environ):
                    return self.app.config.get('need_auth', False)

                def isRealmUser(self, realmname, username, environ):
                    return username == self.app.config.get('webui_username')

                def getRealmUserPassword(self, realmname, username, environ):
                    return self.app.config.get('webui_password')

                def authDomainUser(self, realmname, username, password, environ):
                    return username == self.app.config.get('webui_username') \
                        and password == self.app.config.get('webui_password')

改成：

复制代码

            class NeedAuthController(object):
                def __init__(self, app, config=None):
                    self.app = app
                    # 处理额外的config参数，使其兼容WsgiDAV的初始化方式
                    if config is not None:
                        self.config = config
                    else:
                        # 如果config未提供，尝试从app中获取
                        self.config = app.config.get("http_authenticator", {})
    
                def getDomainRealm(self, inputRelativeURL, environ):
                    return 'need auth'

                def requireAuthentication(self, realmname, environ):
                    return self.app.config.get('need_auth', False)

                def isRealmUser(self, realmname, username, environ):
                    return username == self.app.config.get('webui_username')

                def getRealmUserPassword(self, realmname, username, environ):
                    return self.app.config.get('webui_password')

                def authDomainUser(self, realmname, username, password, environ):
                    return username == self.app.config.get('webui_username') \
                        and password == self.app.config.get('webui_password')

                # 添加WsgiDAV期望的接口方法，转发到原有方法
                def get_domain_realm(self, input_path, environ):
                    return self.getDomainRealm(input_path, environ)

                def basic_auth_user(self, realm, user_name, password, environ):
                    return self.authDomainUser(realm, user_name, password, environ)

                def supports_http_digest_auth(self):
                    return False  # 我们不支持摘要认证

                def is_share_anonymous(self, share_path):
                    """检查指定的共享路径是否允许匿名访问"""
                    # 如果不需要认证，则所有共享都允许匿名访问
                    return not self.app.config.get('need_auth', False)

5.6 兼容问题6：Werkzeug 库版本与 pyspider 不兼容。从 Python 3.12 开始，Werkzeug v2.3.0 及以上版本已经移除了DispatcherMiddleware，将其移至独立的werkzeug.middleware.dispatcher模块中。
而 pyspider 仍在使用旧的导入方式。修改如下
修改 pyspider/webui/app.py的python代码第64行

复制代码

from werkzeug.wsgi import DispatcherMiddleware

改成：

复制代码

 from werkzeug.middleware.dispatcher import DispatcherMiddleware

步骤6. pycharm的Terminal中执行如下命令安装pyspider

复制代码

 $ pip install pyspider

步骤7. Pycharm的Terminal命令行执行如下命令，验证pyspider是否安装成功，打印所示当前安装的pyspider最新版本是 0.3.10

复制代码

    $ pyspider --version
    pyspider, version 0.3.10

步骤8. pycharm的Terminal命令行执行 pyspider 启动 pyspider 网页端控制台，如下打印结果表示成功启动 pyspider，并且启用了5000端口。浏览器可以访问 http://localhost:5000/ 进入PySpider网页控制台爬数据了。

复制代码

    $ pyspider
    phantomjs fetcher running on port 25555
    [I 250515 15:08:09 result_worker:49] result_worker starting...
    [I 250515 15:08:10 processor:211] processor starting...
    [I 250515 15:08:10 tornado_fetcher:638] fetcher starting...
    [I 250515 15:08:10 scheduler:647] scheduler starting...
    [I 250515 15:08:10 scheduler:782] scheduler.xmlrpc listening on 127.0.0.1:23333
    [I 250515 15:08:10 scheduler:586] in 5m: new:0,success:0,retry:0,failed:0
    [I 250515 15:08:10 app:76] webui running on 0.0.0.0:5000

步骤9. 如果运行 pyspider 命令，出现错误Error: Could not create web server listening on port 25555，原因是25555端口被占用，需要释放端口重新执行步骤8
解决方案：使用 lsof -i 25555查看端口被哪个PID占用，然后用 kill -9 <PID> 释放端口

复制代码

    $ lsof -i :25555
    COMMAND     PID   USER   FD   TYPE DEVICE SIZE/OFF NODE NAME
    phantomjs 16615 wanghu    7u  IPv4 278700      0t0  TCP *:25555 (LISTEN)
    
    $ kill -9 16615

二：pyspider踩坑过程与解决方案：
1.安装 pyspider 时出现了如下的 ConfigurationError: Could not run curl-config 错误，这是因为系统缺少 curl-devel 或 libcurl 开发库，而 pycurl 依赖这些库来编译。
解决方案：使用如下命令安装 libcurl4-openssl-dev 包（Ubuntu/Debian 系统），它包含了编译 pycurl 所需的 curl-config 工具和头文件

复制代码

sudo apt install libcurl4-openssl-dev

错误详情：
Getting requirements to build wheel ... error
error: subprocess-exited-with-error

× Getting requirements to build wheel did not run successfully.
│ exit code: 1
╰─> [33 lines of output]
Traceback (most recent call last):
File "<string>", line 230, in configure_unix
File "/usr/local/lib/python3.12/subprocess.py", line 1026, in init
self._execute_child(args, executable, preexec_fn, close_fds,
File "/usr/local/lib/python3.12/subprocess.py", line 1950, in _execute_child
raise child_exception_type(errno_num, err_msg, err_filename)
FileNotFoundError: [Errno 2] No such file or directory: 'curl-config'

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
File "/home/wanghu/PycharmProjects/PythonProject/getHarmonyVideoDatas/.venv/lib/python3.12/site-packages/pip/_vendor/pyproject_hooks/_in_process/_in_process.py", line 389, in <module>
main()
File "/home/wanghu/PycharmProjects/PythonProject/getHarmonyVideoDatas/.venv/lib/python3.12/site-packages/pip/_vendor/pyproject_hooks/_in_process/_in_process.py", line 373, in main
json_out["return_val"] = hook(**hook_input["kwargs"])
^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/home/wanghu/PycharmProjects/PythonProject/getHarmonyVideoDatas/.venv/lib/python3.12/site-packages/pip/_vendor/pyproject_hooks/_in_process/_in_process.py", line 143, in get_requires_for_build_wheel
return hook(config_settings)
^^^^^^^^^^^^^^^^^^^^^
File "/tmp/pip-build-env-6by6cyoh/overlay/lib/python3.12/site-packages/setuptools/build_meta.py", line 331, in get_requires_for_build_wheel
return self._get_build_requires(config_settings, requirements=[])
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/tmp/pip-build-env-6by6cyoh/overlay/lib/python3.12/site-packages/setuptools/build_meta.py", line 301, in _get_build_requires
self.run_setup()
File "/tmp/pip-build-env-6by6cyoh/overlay/lib/python3.12/site-packages/setuptools/build_meta.py", line 512, in run_setup
super().run_setup(setup_script=setup_script)
File "/tmp/pip-build-env-6by6cyoh/overlay/lib/python3.12/site-packages/setuptools/build_meta.py", line 317, in run_setup
exec(code, locals())
File "<string>", line 1016, in <module>
File "<string>", line 676, in get_extension
File "<string>", line 93, in init
File "<string>", line 235, in configure_unix
ConfigurationError: Could not run curl-config: [Errno 2] No such file or directory: 'curl-config'

end of output

note: This error originates from a subprocess, and is likely not a problem with pip.
error: subprocess-exited-with-error

× Getting requirements to build wheel did not run successfully.
│ exit code: 1
╰─> See above for output.

安装完pyspider后在Terminal中输入 pyspider命令运行后出现如下错误，是因为Python3 中的 async 已经变成了关键字。
解决方案：将 async 替换成其他变量，如将下面位置的 async 改为 mark_async

复制代码

    pyspider/run.py 的231行、245行(两个)、365行
    pyspider/webui/app.py 的95行
    pyspider/fetcher/tornado_fetcher.py 的81行、89行(两个)、95行、117行

错误详情：
$ pyspider
Traceback (most recent call last):
File "/home/wanghu/PycharmProjects/PythonProject/getHarmonyVideoDatas/.venv/bin/pyspider", line 5, in <module>
from pyspider.run import main
File "/home/wanghu/PycharmProjects/PythonProject/getHarmonyVideoDatas/.venv/lib/python3.12/site-packages/pyspider/run.py", line 231
async=True, get_object=False, no_input=False):
^^^^^
SyntaxError: invalid syntax

再次尝试运行 pyspider 命令，出现如下错误，是因为pyspider 在 Python 3.12 环境中运行时存在兼容性问题。这是由于 Python 3.12 对部分旧模块进行了移除或者调整，而 pyspider 尚未完全适配这些改动。
解决方案：通过如下步骤手动修改pyspider代码来解决兼容性问题
a). 修复 UserDict 和 Mapping 导入问题：
把 pyspider/libs/counter.py 文件里的python代码第14行：

复制代码

    try:
        from UserDict import DictMixin
    except ImportError:
        from collections import Mapping as DictMixin

改成：

复制代码

    try:
        from collections import UserDict as DictMixin
    except ImportError:
        from collections.abc import Mapping as DictMixin

把 pyspider/scheduler/task_queue.py 文件里的python代码第12行

复制代码

    try:
        from UserDict import DictMixin
    except ImportError:
        from collections import Mapping as DictMixin

改成：

复制代码

    try:
        from collections import UserDict as DictMixin
    except ImportError:
        from collections.abc import Mapping as DictMixin

b). 修复 imp 模块缺失问题：
把 pyspider/processor/project_module.py 文件中的python代码第11行：

复制代码

import imp

改成：

复制代码

  import importlib.util

c). 修复 MutableMapping 导入问题：
tornado 库引用MutableMapping出现错误，可修改 tornado/httputil.py 文件中的python代码第106行：

复制代码

class HTTPHeaders(collections.MutableMapping):

改成：

复制代码

class HTTPHeaders(collections.abc.MutableMapping):

错误详情：

$ pyspider