Pomp — метафреймворк для парсинга сайтов

в 9:22, , рубрики: craigslist.org, docker, pomp, python, scrapy, web-crawler, Программирование, метки:

С поддержкой asyncio и вдохновленный Scrapy.

Зачем еще один?

В первую очередь как инструмент для сбора данных, применяемый в моем хобби проекте, который не давил бы своей мощью, сложностью и наследием. И да, кто же будет сознательно начинать что-то новое на python2.x?

В итоге появилось идея сделать простой фреймворк для современной экосистемы python3.x, но такой же элегантный как Scrapy.

Под катом обзорная статья о Pomp в стиле FAQ.

Зачем вообще фреймворки для парсинга сайтов нужны?

И действительно, ведь на простой связке requests + lxml можно сделать очень многое. В действительности же фреймворки задают правила и нужные абстракции, и берут много рутины на себя.

Почему Pomp позиционируется как "метафреймворк"?

Pomp из коробки не дает то, что может покрыть широкий спектр требований в решении задач парсинга сайтов: разбор содержимого, прокси, кеширование, обработка редиректов, куки, авторизация, заполнение форм и т.д.

В этом и слабость и одновременно сила Pomp. Данный фреймворк позиционируется как "фреймворк для фреймворков", другими словами дает все что нужно для того что бы сделать свой фреймворк и начать продуктивно "клепать" веб пауков.

Pomp дает разработчику:

  • нужные абстракции(интерфейсы) и архитектуру схожую со Scrapy;
  • не навязывает выбор методов для работы с сетью и разбора добытого контента;
  • может работать как синхронно так и асинхронно;
  • конкурентная добыча и разбор контента (concurrent.futures);
  • не требует "проекта", настроек и прочих ограничений.

Выигрыш:

  • запуск на python2.x, python3.x и pypy (можно даже на google app engine запуститься)
  • можно использовать любимые библиотеки для работы c сетью и для разбора контента;
  • ввести свою очередь задач;
  • разработать cвой кластер пауков;
  • более простая прозрачная интеграция с headless браузерами (см пример интеграции с phatnomjs).

Другими словами из Pomp можно сделать Scrapy, если работать с сетью на Twisted и разбирать контент с помощью lxml и т.д.

Когда следует применять Pomp, а когда нет?

В случае когда вам требуется обработать N источников, с общей моделью данных и с периодическим обновлением данных — это и есть идеальный случай применения Pomp.

Если вам необходимо обработать 1-2 источника и забыть, то быстрее и понятнее все сделать на requests+lxml, и вовсе не использовать специальные фреймворки.

Pomp vs Scrapy/Grab/etc?

Попытаться сравнить можно только в разрезе конкретной задачи.

И что лучше сказать сложно, но для меня это вопрос решенный, так как я используя Pomp могу собрать любой сложности систему. С другими же фреймворками зачастую придется бороться с их "рамками" и даже забивать гвозди микроскопом, к примеру использовать Scrapy для работы с headless browsers, оставляя неудел всю мощь Twisted.

Архитектура

Pomp — метафреймворк для парсинга сайтов - 1

Основные блоки:
 - очередь запросов (задач);
 - "транспорт" (на диаграмме как BaseDownloader);
 - middlewares для пре- и пост-обработки запросов;
 - pipelines для последовательной обработки/фильтрации/сохранения добытых данных;
 - crawler для разбора контента и генерации следующих запросов;
 - engine, который связывает все части.

Простейший пример

Поиск на странице http://python.org/news предложений со словом python простейшим regexp.

import re
from pomp.core.base import BaseCrawler
from pomp.contrib.item import Item, Field
from pomp.contrib.urllibtools import UrllibHttpRequest

python_sentence_re = re.compile('[ws]{0,}python[sw]{0,}', re.I | re.M)

class MyItem(Item):
    sentence = Field()

class MyCrawler(BaseCrawler):
    """Extract all sentences with `python` word"""
    ENTRY_REQUESTS = UrllibHttpRequest('http://python.org/news')  # entry point

    def extract_items(self, response):
        for i in python_sentence_re.findall(response.body.decode('utf-8')):
            item = MyItem(sentence=i.strip())
            print(item)
            yield item

if __name__ == '__main__':
    from pomp.core.engine import Pomp
    from pomp.contrib.urllibtools import UrllibDownloader

    pomp = Pomp(
        downloader=UrllibDownloader(),
    )

    pomp.pump(MyCrawler())

Пример создания "кластера" для разбора craigslist.org

В примере используется:
 - Redis для организации централизованной очереди задач;
 - Apache Kafka для агрегации добытых данных;
 - Django на postgres для хранения и отображения данных;
 - grafana c kamon dashboards для отображения метрик работы кластера kamon-io/docker-grafana-graphite
 - docker-compose что бы запустить весь этот зоопарк на одной машине.

Исходный код и инструкции по запуску смотрите здесь — estin/pomp-craigslist-example.

А так же видео без звука, где большая часть времени ушла на развертывание окружения. На видео можно найти некоторые ошибки в сборе метрик о размере очереди задач.

Примечание: в примере умышлено не исправлены ошибки в разборе некоторых страниц, для того что бы в процессе работы райсились исключения.

Дальнейшие планы

Pomp по большей части уже сформировался и достиг поставленных целей.
Дальнейшее развитие скорее всего будут заключаться в более плотной интеграции с asyncio.

Ссылки

 - проект на bitbucket https://bitbucket.org/estin/pomp
 - зеркало проекта на github https://github.com/estin/pomp
 - документация http://pomp.readthedocs.org/en/latest/

Автор: estin

Источник

* - обязательные к заполнению поля


https://ajax.googleapis.com/ajax/libs/jquery/3.4.1/jquery.min.js