基于 Python 下的 Scrapy 框架，自动生成爬虫框架，实现只需添加初始 Url、抓取规则、 处理抓取到的数据的方法等必须要做的事情，由 Scrapy 和这个脚本控制网页的并行抓取、 出错处理、读取初始 Urls、爬虫目录的规范化等，便于快速开发爬虫.
在这个基于 Scrapy 的自动生成的爬虫框架中提供了除 Scrapy 之外的这些功能:
- 提供从 list 类型的变量、数据库、文件中读取初始 Url 的方法，只需在 list 类型 的变量中添加初始 Urls，或者重写从数据库、文件读取初始 Url 的方法，就可以在爬 虫代码所在的文件中自动读取这些 Url，使用者不用在爬虫代码中过多关心初始 Url 的读取问题
- 模拟浏览器行为，在发送的请求 Header 中添加了如 ‘Referer’、’User-Agent’ 等内 容，同时 ‘User-Agent’ 是从提供的 444 个 user-agent 中随机提取的
- 通过统一的配置文件管理 Scrapy 的参数配置、存储的数据库配置
- 提供了几个工具函数，如处理抓取到的 url 的补全、获得满足数据库中时间的函数、 去除抓取到的数据之间的空白之类等
在这个项目的当前目录下,执行如下操作
$ sh autospider.sh 爬虫项目名 爬虫所在代码的文件名
如
$ sh autospider.sh testspider Crawler.py
在新建立的爬虫中,如上述建立的爬虫中,先在 config.ini 文件中根据需求修改数据库和 Scrapy 配置信息.然后在
testspider/url/Urls.py
文件中添加初始 urls. 最后完善具体的爬虫的代码.
- 完善这个框架的功能，使用户把精力主要放在分析填写页面抓取规则、处理页面数据
- 完善配置文件的管理
- 添加日志模块监控页面的变化