crawlo 1.1.0__py3-none-any.whl → 1.1.1__py3-none-any.whl

crawlo/settings/__init__.py

@@ -1,7 +1,7 @@
-#!/usr/bin/python
-# -*- coding:UTF-8 -*-
-"""
-# @Time    :    2025-05-11 11:08
-# @Author  :   oscar
-# @Desc    :   None
-"""
+#!/usr/bin/python
+# -*- coding:UTF-8 -*-
+"""
+# @Time    :    2025-05-11 11:08
+# @Author  :   oscar
+# @Desc    :   None
+"""

crawlo/settings/default_settings.py

@@ -1,169 +1,167 @@
-#!/usr/bin/python
-# -*- coding: UTF-8 -*-
-"""
-==================================
-         Crawlo 项目配置文件
-==================================
-说明：
-- 所有配置项均已按功能模块分类。
-- 支持通过环境变量覆盖部分敏感配置（如 Redis、MySQL 密码等）。
-- 可根据需求启用/禁用组件（如 MySQL、Redis、Proxy 等）。
-"""
-
-import os
-
-# ============================== 核心信息 ==============================
-PROJECT_NAME = 'crawlo'
-VERSION = 1.0
-
-# ============================== 网络请求配置 ==============================
-
-# 下载器选择（三选一）
-DOWNLOADER = "crawlo.downloader.aiohttp_downloader.AioHttpDownloader"
-# DOWNLOADER = "crawlo.downloader.cffi_downloader.CurlCffiDownloader"  # 支持浏览器指纹
-# DOWNLOADER = "crawlo.downloader.httpx_downloader.HttpXDownloader"
-
-# 请求超时与安全
-DOWNLOAD_TIMEOUT = 60          # 下载超时时间（秒）
-VERIFY_SSL = True              # 是否验证 SSL 证书
-USE_SESSION = True             # 是否使用持久化会话（aiohttp 特有）
-
-# 请求延迟控制
-DOWNLOAD_DELAY = 0.5           # 基础延迟（秒）
-RANDOM_RANGE = (0.75, 1.25)    # 随机延迟系数范围（如 0.75~1.25 倍）
-RANDOMNESS = True              # 是否启用随机延迟
-
-# 重试策略
-MAX_RETRY_TIMES = 3            # 最大重试次数
-RETRY_PRIORITY = -1            # 重试请求的优先级调整
-RETRY_HTTP_CODES = [408, 429, 500, 502, 503, 504, 522, 524]  # 触发重试的状态码
-IGNORE_HTTP_CODES = [403, 404] # 直接标记成功、不重试的状态码
-ALLOWED_CODES = []             # 允许的状态码（空表示不限制）
-
-# 连接与响应大小限制
-CONNECTION_POOL_LIMIT = 100    # 最大并发连接数（连接池大小）
-DOWNLOAD_MAXSIZE = 10 * 1024 * 1024   # 最大响应体大小（10MB）
-DOWNLOAD_WARN_SIZE = 1024 * 1024      # 响应体警告阈值（1MB）
-DOWNLOAD_RETRY_TIMES = MAX_RETRY_TIMES  # 下载器内部重试次数（复用全局）
-
-# ============================== 并发与调度 ==============================
-
-CONCURRENCY = 8                # 单个爬虫的并发请求数
-INTERVAL = 5                   # 日志统计输出间隔（秒）
-DEPTH_PRIORITY = 1             # 深度优先策略优先级
-MAX_RUNNING_SPIDERS = 3        # 最大同时运行的爬虫数
-
-# ============================== 数据存储配置 ==============================
-
-# --- MySQL 配置 ---
-MYSQL_HOST = '127.0.0.1'
-MYSQL_PORT = 3306
-MYSQL_USER = 'root'
-MYSQL_PASSWORD = '123456'
-MYSQL_DB = 'crawl'
-MYSQL_TABLE = 'crawlo'
-MYSQL_BATCH_SIZE = 100         # 批量插入条数
-
-# MySQL 连接池
-MYSQL_FLUSH_INTERVAL = 5       # 缓存刷新间隔（秒）
-MYSQL_POOL_MIN = 5
-MYSQL_POOL_MAX = 20
-MYSQL_ECHO = False             # 是否打印 SQL 日志
-
-# --- MongoDB 配置 ---
-MONGO_URI = 'mongodb://user:password@host:27017'
-MONGO_DATABASE = 'scrapy_data'
-MONGO_COLLECTION = 'crawled_items'
-MONGO_MAX_POOL_SIZE = 200
-MONGO_MIN_POOL_SIZE = 20
-
-# ============================== 去重过滤配置 ==============================
-
-# 请求指纹存储目录（文件过滤器使用）
-REQUEST_DIR = '.'
-
-# 去重过滤器类（二选一）
-FILTER_CLASS = 'crawlo.filters.memory_filter.MemoryFilter'
-# FILTER_CLASS = 'crawlo.filters.redis_filter.AioRedisFilter'  # 分布式去重
-
-# --- Redis 过滤器配置 ---
-REDIS_HOST = os.getenv('REDIS_HOST', '127.0.0.1')
-REDIS_PORT = int(os.getenv('REDIS_PORT', 6379))
-REDIS_PASSWORD = os.getenv('REDIS_PASSWORD', 'oscar&0503')
-REDIS_URL = f'redis://:{REDIS_PASSWORD or ""}@{REDIS_HOST}:{REDIS_PORT}/0'
-REDIS_KEY = 'request_fingerprint'        # Redis 中存储指纹的键名
-REDIS_TTL = 0                            # 指纹过期时间（0 表示永不过期）
-CLEANUP_FP = 0                           # 程序结束时是否清理指纹（0=不清理）
-FILTER_DEBUG = True                      # 是否开启去重调试日志
-DECODE_RESPONSES = True                  # Redis 返回是否解码为字符串
-
-# ============================== 中间件配置 ==============================
-
-MIDDLEWARES = [
-    # === 请求预处理阶段 ===
-    'crawlo.middleware.request_ignore.RequestIgnoreMiddleware',   # 1. 忽略无效请求
-    'crawlo.middleware.download_delay.DownloadDelayMiddleware',   # 2. 控制请求频率
-    'crawlo.middleware.default_header.DefaultHeaderMiddleware',   # 3. 添加默认请求头
-    'crawlo.middleware.proxy.ProxyMiddleware',                    # 4. 设置代理
-
-    # === 响应处理阶段 ===
-    'crawlo.middleware.retry.RetryMiddleware',                    # 5. 失败请求重试
-    'crawlo.middleware.response_code.ResponseCodeMiddleware',     # 6. 处理特殊状态码
-    'crawlo.middleware.response_filter.ResponseFilterMiddleware', # 7. 响应内容过滤
-]
-
-# ============================== 扩展与管道 ==============================
-
-# 数据处理管道（启用的存储方式）
-PIPELINES = [
-    'crawlo.pipelines.console_pipeline.ConsolePipeline',          # 控制台输出
-    # 'crawlo.pipelines.mysql_pipeline.AsyncmyMySQLPipeline',     # MySQL 存储（可选）
-]
-
-# 扩展组件（监控与日志）
-EXTENSIONS = [
-    'crawlo.extension.log_interval.LogIntervalExtension',         # 定时日志
-    'crawlo.extension.log_stats.LogStats',                        # 统计信息
-    'crawlo.extension.logging_extension.CustomLoggerExtension',   # 自定义日志
-]
-
-# ============================== 日志与监控 ==============================
-
-LOG_LEVEL = 'INFO'                         # 日志级别: DEBUG/INFO/WARNING/ERROR
-STATS_DUMP = True                          # 是否周期性输出统计信息
-LOG_FILE = f'logs/{PROJECT_NAME}.log'      # 日志文件路径
-LOG_FORMAT = '%(asctime)s - [%(name)s] - %(levelname)s： %(message)s'
-LOG_ENCODING = 'utf-8'
-
-# ============================== 代理配置 ==============================
-
-PROXY_ENABLED = False                       # 是否启用代理
-PROXY_API_URL = "https://api.proxyprovider.com/get"  # 代理获取接口（请替换为真实地址）
-
-# 代理提取方式（支持字段路径或函数）
-PROXY_EXTRACTOR = "proxy"                  # 如返回 {"proxy": "http://1.1.1.1:8080"}
-
-# 代理刷新控制
-PROXY_REFRESH_INTERVAL = 60                # 代理刷新间隔（秒）
-PROXY_API_TIMEOUT = 10                     # 请求代理 API 超时时间
-
-# ============================== Curl-Cffi 特有配置 ==============================
-
-# 浏览器指纹模拟（仅 CurlCffi 下载器有效）
-CURL_BROWSER_TYPE = "chrome"               # 可选: chrome, edge, safari, firefox 或版本如 chrome136
-
-# 自定义浏览器版本映射（可覆盖默认行为）
-CURL_BROWSER_VERSION_MAP = {
-    "chrome": "chrome136",
-    "edge": "edge101",
-    "safari": "safari184",
-    "firefox": "firefox135",
-    # 示例：旧版本测试
-    # "chrome_legacy": "chrome110",
-}
-
-# 默认请求头（可被 Spider 覆盖）
-DEFAULT_REQUEST_HEADERS = {
-    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
-                  '(KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36',
+#!/usr/bin/python
+# -*- coding: UTF-8 -*-
+"""
+==================================
+         Crawlo 项目配置文件
+==================================
+说明：
+- 所有配置项均已按功能模块分类。
+- 支持通过环境变量覆盖部分敏感配置（如 Redis、MySQL 密码等）。
+- 可根据需求启用/禁用组件（如 MySQL、Redis、Proxy 等）。
+"""
+import os
+
+# ============================== 核心信息 ==============================
+PROJECT_NAME = 'crawlo'
+
+# ============================== 网络请求配置 ==============================
+
+# 下载器选择（三选一）
+# DOWNLOADER = "crawlo.downloader.aiohttp_downloader.AioHttpDownloader"
+DOWNLOADER = "crawlo.downloader.cffi_downloader.CurlCffiDownloader"  # 支持浏览器指纹
+# DOWNLOADER = "crawlo.downloader.httpx_downloader.HttpXDownloader"
+
+# 请求超时与安全
+DOWNLOAD_TIMEOUT = 30          # 下载超时时间（秒）
+VERIFY_SSL = True              # 是否验证 SSL 证书
+USE_SESSION = True             # 是否使用持久化会话（aiohttp 特有）
+
+# 请求延迟控制
+DOWNLOAD_DELAY = 1.0          # 基础延迟（秒）
+RANDOM_RANGE = (0.8, 1.2)    # 随机延迟系数范围
+RANDOMNESS = True              # 是否启用随机延迟
+
+# 重试策略
+MAX_RETRY_TIMES = 3            # 最大重试次数
+RETRY_PRIORITY = -1            # 重试请求的优先级调整
+RETRY_HTTP_CODES = [408, 429, 500, 502, 503, 504, 522, 524]  # 触发重试的状态码
+IGNORE_HTTP_CODES = [403, 404] # 直接标记成功、不重试的状态码
+ALLOWED_CODES = []             # 允许的状态码（空表示不限制）
+
+# 连接与响应大小限制
+CONNECTION_POOL_LIMIT = 50    # 最大并发连接数（连接池大小）
+DOWNLOAD_MAXSIZE = 10 * 1024 * 1024   # 最大响应体大小（10MB）
+DOWNLOAD_WARN_SIZE = 1024 * 1024      # 响应体警告阈值（1MB）
+DOWNLOAD_RETRY_TIMES = MAX_RETRY_TIMES  # 下载器内部重试次数（复用全局）
+
+# ============================== 并发与调度 ==============================
+
+CONCURRENCY = 8                # 单个爬虫的并发请求数
+INTERVAL = 5                   # 日志统计输出间隔（秒）
+DEPTH_PRIORITY = 1             # 深度优先策略优先级
+MAX_RUNNING_SPIDERS = 3        # 最大同时运行的爬虫数
+
+# ============================== 数据存储配置 ==============================
+
+# --- MySQL 配置 ---
+MYSQL_HOST = '127.0.0.1'
+MYSQL_PORT = 3306
+MYSQL_USER = 'root'
+MYSQL_PASSWORD = '123456'
+MYSQL_DB = 'crawl'
+MYSQL_TABLE = 'crawlo'
+MYSQL_BATCH_SIZE = 100         # 批量插入条数
+
+# MySQL 连接池
+MYSQL_FLUSH_INTERVAL = 5       # 缓存刷新间隔（秒）
+MYSQL_POOL_MIN = 5
+MYSQL_POOL_MAX = 20
+MYSQL_ECHO = False             # 是否打印 SQL 日志
+
+# --- MongoDB 配置 ---
+MONGO_URI = 'mongodb://user:password@host:27017'
+MONGO_DATABASE = 'scrapy_data'
+MONGO_COLLECTION = 'crawled_items'
+MONGO_MAX_POOL_SIZE = 200
+MONGO_MIN_POOL_SIZE = 20
+
+# ============================== 去重过滤配置 ==============================
+
+# 请求指纹存储目录（文件过滤器使用）
+REQUEST_DIR = '.'
+
+# 去重过滤器类（二选一）
+FILTER_CLASS = 'crawlo.filters.memory_filter.MemoryFilter'
+# FILTER_CLASS = 'crawlo.filters.redis_filter.AioRedisFilter'  # 分布式去重
+
+# --- Redis 过滤器配置 ---
+REDIS_HOST = os.getenv('REDIS_HOST', '127.0.0.1')
+REDIS_PORT = int(os.getenv('REDIS_PORT', 6379))
+REDIS_PASSWORD = os.getenv('REDIS_PASSWORD', 'oscar&0503')
+REDIS_URL = f'redis://:{REDIS_PASSWORD or ""}@{REDIS_HOST}:{REDIS_PORT}/0'
+REDIS_KEY = 'request_fingerprint'        # Redis 中存储指纹的键名
+REDIS_TTL = 0                            # 指纹过期时间（0 表示永不过期）
+CLEANUP_FP = 0                           # 程序结束时是否清理指纹（0=不清理）
+FILTER_DEBUG = True                      # 是否开启去重调试日志
+DECODE_RESPONSES = True                  # Redis 返回是否解码为字符串
+
+# ============================== 中间件配置 ==============================
+
+MIDDLEWARES = [
+    # === 请求预处理阶段 ===
+    'crawlo.middleware.request_ignore.RequestIgnoreMiddleware',   # 1. 忽略无效请求
+    'crawlo.middleware.download_delay.DownloadDelayMiddleware',   # 2. 控制请求频率
+    'crawlo.middleware.default_header.DefaultHeaderMiddleware',   # 3. 添加默认请求头
+    'crawlo.middleware.proxy.ProxyMiddleware',                    # 4. 设置代理
+
+    # === 响应处理阶段 ===
+    'crawlo.middleware.retry.RetryMiddleware',                    # 5. 失败请求重试
+    'crawlo.middleware.response_code.ResponseCodeMiddleware',     # 6. 处理特殊状态码
+    'crawlo.middleware.response_filter.ResponseFilterMiddleware', # 7. 响应内容过滤
+]
+
+# ============================== 扩展与管道 ==============================
+
+# 数据处理管道（启用的存储方式）
+PIPELINES = [
+    'crawlo.pipelines.console_pipeline.ConsolePipeline',          # 控制台输出
+    # 'crawlo.pipelines.mysql_pipeline.AsyncmyMySQLPipeline',     # MySQL 存储（可选）
+]
+
+# 扩展组件（监控与日志）
+EXTENSIONS = [
+    'crawlo.extension.log_interval.LogIntervalExtension',         # 定时日志
+    'crawlo.extension.log_stats.LogStats',                        # 统计信息
+    'crawlo.extension.logging_extension.CustomLoggerExtension',   # 自定义日志
+]
+
+# ============================== 日志与监控 ==============================
+
+LOG_LEVEL = 'INFO'                         # 日志级别: DEBUG/INFO/WARNING/ERROR
+STATS_DUMP = True                          # 是否周期性输出统计信息
+LOG_FILE = f'logs/{PROJECT_NAME}.log'      # 日志文件路径
+LOG_FORMAT = '%(asctime)s - [%(name)s] - %(levelname)s： %(message)s'
+LOG_ENCODING = 'utf-8'
+
+# ============================== 代理配置 ==============================
+
+PROXY_ENABLED = False                       # 是否启用代理
+PROXY_API_URL = "https://api.proxyprovider.com/get"  # 代理获取接口（请替换为真实地址）
+
+# 代理提取方式（支持字段路径或函数）
+PROXY_EXTRACTOR = "proxy"                  # 如返回 {"proxy": "http://1.1.1.1:8080"}
+
+# 代理刷新控制
+PROXY_REFRESH_INTERVAL = 60                # 代理刷新间隔（秒）
+PROXY_API_TIMEOUT = 10                     # 请求代理 API 超时时间
+
+# ============================== Curl-Cffi 特有配置 ==============================
+
+# 浏览器指纹模拟（仅 CurlCffi 下载器有效）
+CURL_BROWSER_TYPE = "chrome"               # 可选: chrome, edge, safari, firefox 或版本如 chrome136
+
+# 自定义浏览器版本映射（可覆盖默认行为）
+CURL_BROWSER_VERSION_MAP = {
+    "chrome": "chrome136",
+    "edge": "edge101",
+    "safari": "safari184",
+    "firefox": "firefox135",
+    # 示例：旧版本测试
+    # "chrome_legacy": "chrome110",
+}
+
+# 默认请求头（可被 Spider 覆盖）
+DEFAULT_REQUEST_HEADERS = {
+    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 '
+                  '(KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36',
 }

crawlo/settings/setting_manager.py

@@ -1,100 +1,100 @@
-#!/usr/bin/python
-# -*- coding: UTF-8 -*-
-import json
-from copy import deepcopy
-from importlib import import_module
-from collections.abc import MutableMapping
-
-from crawlo.settings import default_settings
-
-
-class SettingManager(MutableMapping):
-
-    def __init__(self, values=None):
-        self.attributes = {}
-        self.set_settings(default_settings)
-        self.update_attributes(values)
-
-    def get(self, key, default=None):
-        """安全获取值，不触发递归"""
-        value = self.attributes.get(key, default)
-        return value if value is not None else default
-
-    def get_int(self, key, default=0):
-        return int(self.get(key, default=default))
-
-    def get_float(self, key, default=0.0):
-        return float(self.get(key, default=default))
-
-    def get_bool(self, key, default=False):
-        got = self.get(key, default=default)
-        if isinstance(got, bool):
-            return got
-        if isinstance(got, (int, float)):
-            return bool(got)
-        got_lower = str(got).strip().lower()
-        if got_lower in ('1', 'true'):
-            return True
-        if got_lower in ('0', 'false'):
-            return False
-        raise ValueError(
-            f"Unsupported value for boolean setting: {got}. "
-            "Supported values are: 0/1, True/False, '0'/'1', 'True'/'False' (case-insensitive)."
-        )
-
-    def get_list(self, key, default=None):
-        values = self.get(key, default or [])
-        if isinstance(values, str):
-            return [v.strip() for v in values.split(',') if v.strip()]
-        try:
-            return list(values)
-        except TypeError:
-            return [values]
-
-    def get_dict(self, key, default=None):
-        value = self.get(key, default or {})
-        if isinstance(value, str):
-            value = json.loads(value)
-        try:
-            return dict(value)
-        except TypeError:
-            return value
-
-    def set(self, key, value):
-        self.attributes[key] = value
-
-    def set_settings(self, module):
-        if isinstance(module, str):
-            module = import_module(module)
-        for key in dir(module):
-            if key.isupper():
-                self.set(key, getattr(module, key))
-
-    # 实现 MutableMapping 必须的方法
-    def __getitem__(self, item):
-        return self.attributes[item]
-
-    def __setitem__(self, key, value):
-        self.set(key, value)
-
-    def __delitem__(self, key):
-        del self.attributes[key]
-
-    def __iter__(self):
-        return iter(self.attributes)
-
-    def __len__(self):
-        return len(self.attributes)
-
-    def __str__(self):
-        return f'<Settings: {self.attributes}>'
-
-    __repr__ = __str__
-
-    def update_attributes(self, attributes):
-        if attributes is not None:
-            for key, value in attributes.items():
-                self.set(key, value)
-
-    def copy(self):
+#!/usr/bin/python
+# -*- coding: UTF-8 -*-
+import json
+from copy import deepcopy
+from importlib import import_module
+from collections.abc import MutableMapping
+
+from crawlo.settings import default_settings
+
+
+class SettingManager(MutableMapping):
+
+    def __init__(self, values=None):
+        self.attributes = {}
+        self.set_settings(default_settings)
+        self.update_attributes(values)
+
+    def get(self, key, default=None):
+        """安全获取值，不触发递归"""
+        value = self.attributes.get(key, default)
+        return value if value is not None else default
+
+    def get_int(self, key, default=0):
+        return int(self.get(key, default=default))
+
+    def get_float(self, key, default=0.0):
+        return float(self.get(key, default=default))
+
+    def get_bool(self, key, default=False):
+        got = self.get(key, default=default)
+        if isinstance(got, bool):
+            return got
+        if isinstance(got, (int, float)):
+            return bool(got)
+        got_lower = str(got).strip().lower()
+        if got_lower in ('1', 'true'):
+            return True
+        if got_lower in ('0', 'false'):
+            return False
+        raise ValueError(
+            f"Unsupported value for boolean setting: {got}. "
+            "Supported values are: 0/1, True/False, '0'/'1', 'True'/'False' (case-insensitive)."
+        )
+
+    def get_list(self, key, default=None):
+        values = self.get(key, default or [])
+        if isinstance(values, str):
+            return [v.strip() for v in values.split(',') if v.strip()]
+        try:
+            return list(values)
+        except TypeError:
+            return [values]
+
+    def get_dict(self, key, default=None):
+        value = self.get(key, default or {})
+        if isinstance(value, str):
+            value = json.loads(value)
+        try:
+            return dict(value)
+        except TypeError:
+            return value
+
+    def set(self, key, value):
+        self.attributes[key] = value
+
+    def set_settings(self, module):
+        if isinstance(module, str):
+            module = import_module(module)
+        for key in dir(module):
+            if key.isupper():
+                self.set(key, getattr(module, key))
+
+    # 实现 MutableMapping 必须的方法
+    def __getitem__(self, item):
+        return self.attributes[item]
+
+    def __setitem__(self, key, value):
+        self.set(key, value)
+
+    def __delitem__(self, key):
+        del self.attributes[key]
+
+    def __iter__(self):
+        return iter(self.attributes)
+
+    def __len__(self):
+        return len(self.attributes)
+
+    def __str__(self):
+        return f'<Settings: {self.attributes}>'
+
+    __repr__ = __str__
+
+    def update_attributes(self, attributes):
+        if attributes is not None:
+            for key, value in attributes.items():
+                self.set(key, value)
+
+    def copy(self):
         return deepcopy(self)