qidian_spider

此项目是基于scrapy,redis,tor，mongodb,graphite，实现的一个分布式网络爬虫。

使用scrapy-redis实现分布式，tor实现ip池，mongodb存储数据，graphite显示爬虫状态。

功能

   一个对https://www.qidian.com 网站的spider，把网站的书名、作者、书籍封面图片地址、书籍简介、网址链接、书籍评价、评论人数下载到本地mongodb。

爬虫被禁的策略

1. 禁用cookie
2. 实现了一个download middleware，不停的变user-aget
3. 实现了一个可以每分钟变换ip的tor（国内需要tor前置代理）
4. selenium获取动态加载数据

日志

log信息默认写到文件中logs/scrapy.log

安装

scrapy
graphite（可以采用docker）
redis
mongodb
tor
polipo
virtualenv

使用方法

1. source venv/bin/activate
2. pip install -r requirements.txt
3. 启动tor，polipo
4. 修改setting.py polipo端口
5. scrapy crawl qidian

graphite

log