crawlo 1.4.5__py3-none-any.whl → 1.4.7__py3-none-any.whl

crawlo/utils/large_scale_config.py

@@ -1,287 +0,0 @@
-#!/usr/bin/env python3
-# -*- coding: utf-8 -*-
-"""
-大规模爬虫配置助手
-提供针对上万请求场景的优化配置
-"""
-from typing import Dict, Any
-
-from crawlo.utils.queue_helper import QueueHelper
-
-
-class LargeScaleConfig:
-    """大规模爬虫配置类"""
-    
-    @staticmethod
-    def conservative_config(concurrency: int = 8) -> Dict[str, Any]:
-        """
-        保守配置 - 适用于资源有限的环境
-        
-        特点：
-        - 较小的队列容量
-        - 较低的并发数
-        - 较长的延迟
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:conservative",
-            max_retries=3,
-            timeout=300
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 10,  # 队列容量为并发数的10倍
-            'MAX_RUNNING_SPIDERS': 1,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.2,
-            'RANDOMNESS': True,
-            'RANDOM_RANGE': (0.8, 1.5),
-            
-            # 内存控制
-            'DOWNLOAD_MAXSIZE': 5 * 1024 * 1024,  # 5MB
-            'CONNECTION_POOL_LIMIT': concurrency * 2,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 2,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.engine.Engine'
-        })
-        
-        return config
-    
-    @staticmethod
-    def balanced_config(concurrency: int = 16) -> Dict[str, Any]:
-        """
-        平衡配置 - 适用于一般生产环境
-        
-        特点：
-        - 中等的队列容量
-        - 平衡的并发数
-        - 适中的延迟
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:balanced",
-            max_retries=5,
-            timeout=600
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 15,
-            'MAX_RUNNING_SPIDERS': 2,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.1,
-            'RANDOMNESS': True,
-            'RANDOM_RANGE': (0.5, 1.2),
-            
-            # 内存控制
-            'DOWNLOAD_MAXSIZE': 10 * 1024 * 1024,  # 10MB
-            'CONNECTION_POOL_LIMIT': concurrency * 3,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 3,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.engine.Engine'
-        })
-        
-        return config
-    
-    @staticmethod
-    def aggressive_config(concurrency: int = 32) -> Dict[str, Any]:
-        """
-        激进配置 - 适用于高性能环境
-        
-        特点：
-        - 大的队列容量
-        - 高并发数
-        - 较短的延迟
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:aggressive",
-            max_retries=10,
-            timeout=900
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 20,
-            'MAX_RUNNING_SPIDERS': 3,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.05,
-            'RANDOMNESS': True,
-            'RANDOM_RANGE': (0.3, 1.0),
-            
-            # 内存控制
-            'DOWNLOAD_MAXSIZE': 20 * 1024 * 1024,  # 20MB
-            'CONNECTION_POOL_LIMIT': concurrency * 4,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 5,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.engine.Engine'
-        })
-        
-        return config
-    
-    @staticmethod
-    def memory_optimized_config(concurrency: int = 12) -> Dict[str, Any]:
-        """
-        内存优化配置 - 适用于大规模但内存受限的场景
-        
-        特点：
-        - 小队列，快速流转
-        - 严格的内存控制
-        - 使用Redis减少内存压力
-        """
-        config = QueueHelper.use_redis_queue(
-            queue_name="crawlo:memory_optimized",
-            max_retries=3,
-            timeout=300
-        )
-        
-        config.update({
-            # 并发控制
-            'CONCURRENCY': concurrency,
-            'SCHEDULER_MAX_QUEUE_SIZE': concurrency * 5,  # 小队列
-            'MAX_RUNNING_SPIDERS': 1,
-            
-            # 请求控制
-            'DOWNLOAD_DELAY': 0.1,
-            'RANDOMNESS': False,  # 减少随机性降低内存使用
-            
-            # 严格的内存控制
-            'DOWNLOAD_MAXSIZE': 2 * 1024 * 1024,  # 2MB
-            'DOWNLOAD_WARN_SIZE': 512 * 1024,     # 512KB
-            'CONNECTION_POOL_LIMIT': concurrency,
-            
-            # 重试策略
-            'MAX_RETRY_TIMES': 2,
-            
-            # 使用增强引擎
-            'ENGINE_CLASS': 'crawlo.core.engine.Engine'
-        })
-        
-        return config
-
-
-def apply_large_scale_config(settings_dict: Dict[str, Any], config_type: str = "balanced", concurrency: int = None):
-    """
-    应用大规模配置
-    
-    Args:
-        settings_dict: 设置字典
-        config_type: 配置类型 ("conservative", "balanced", "aggressive", "memory_optimized")
-        concurrency: 并发数（可选，不指定则使用默认值）
-    """
-    config_map = {
-        "conservative": LargeScaleConfig.conservative_config,
-        "balanced": LargeScaleConfig.balanced_config,
-        "aggressive": LargeScaleConfig.aggressive_config,
-        "memory_optimized": LargeScaleConfig.memory_optimized_config
-    }
-    
-    if config_type not in config_map:
-        raise ValueError(f"不支持的配置类型: {config_type}")
-    
-    if concurrency:
-        config = config_map[config_type](concurrency)
-    else:
-        config = config_map[config_type]()
-    
-    settings_dict.update(config)
-    
-    return config
-
-
-# 使用示例和说明
-USAGE_GUIDE = """
-# 大规模爬虫配置使用指南
-
-## 1. 选择合适的配置类型
-
-### Conservative (保守型)
-- 适用场景：资源受限、网络不稳定的环境
-- 并发数：8 (默认)
-- 队列容量：80
-- 延迟：200ms
-- 使用场景：个人开发、小规模爬取
-
-### Balanced (平衡型) 
-- 适用场景：一般生产环境
-- 并发数：16 (默认)
-- 队列容量：240
-- 延迟：100ms
-- 使用场景：中小企业生产环境
-
-### Aggressive (激进型)
-- 适用场景：高性能服务器、对速度要求高
-- 并发数：32 (默认)
-- 队列容量：640
-- 延迟：50ms
-- 使用场景：大公司、高并发需求
-
-### Memory Optimized (内存优化型)
-- 适用场景：大规模爬取但内存受限
-- 并发数：12 (默认)
-- 队列容量：60 (小队列快速流转)
-- 延迟：100ms
-- 使用场景：处理数万/数十万请求但内存有限
-
-## 2. 使用方法
-
-```python
-# 方法1：在 settings.py 中直接配置
-from crawlo.utils.large_scale_config import apply_large_scale_config
-
-# 使用平衡配置，16并发
-apply_large_scale_config(locals(), "balanced", 16)
-
-# 方法2：在爬虫代码中动态配置
-from crawlo.crawler import CrawlerProcess
-from crawlo.utils.large_scale_config import LargeScaleConfig
-
-process = CrawlerProcess()
-config = LargeScaleConfig.memory_optimized_config(20)  # 20并发的内存优化配置
-process.settings.update(config)
-
-# 方法3：自定义配置
-config = LargeScaleConfig.balanced_config(24)  # 24并发
-config['DOWNLOAD_DELAY'] = 0.05  # 自定义延迟
-process.settings.update(config)
-```
-
-## 3. 针对不同场景的建议
-
-### 处理5万+请求
-```python
-# 推荐内存优化配置
-apply_large_scale_config(locals(), "memory_optimized", 20)
-```
-
-### 高速爬取但服务器性能好
-```python
-# 推荐激进配置
-apply_large_scale_config(locals(), "aggressive", 40)
-```
-
-### 资源受限但要稳定运行
-```python
-# 推荐保守配置
-apply_large_scale_config(locals(), "conservative", 6)
-```
-
-### 平衡性能和稳定性
-```python
-# 推荐平衡配置
-apply_large_scale_config(locals(), "balanced", 18)
-```
-"""

crawlo/utils/system.py

@@ -1,11 +0,0 @@
-#!/usr/bin/python
-# -*- coding:UTF-8 -*-
-import platform
-
-system_name = platform.system().lower()
-if system_name == 'windows':
-    import asyncio
-    asyncio.set_event_loop_policy(
-        asyncio.WindowsSelectorEventLoopPolicy()
-    )
-

crawlo/utils/tools.py

@@ -1,5 +0,0 @@
-def custom_extractor_proxy(data: dict, key: str='proxy') -> dict | str | None:
-    """只负责从 API 返回数据中提取代理部分"""
-    if data.get("status") == 0:
-        return data.get(key)  # 返回 {"http": "...", "https": "..."} 整个字典
-    return None

crawlo-1.4.5.dist-info/METADATA

@@ -1,329 +0,0 @@
-Metadata-Version: 2.4
-Name: crawlo
-Version: 1.4.5
-Summary: Crawlo 是一款基于异步IO的高性能Python爬虫框架，支持分布式抓取。
-Home-page: https://github.com/crawl-coder/Crawlo.git
-Author: crawl-coder
-Author-email: crawlo@qq.com
-License: MIT
-Classifier: Programming Language :: Python :: 3
-Classifier: License :: OSI Approved :: MIT License
-Classifier: Operating System :: OS Independent
-Requires-Python: >=3.6
-Description-Content-Type: text/markdown
-Requires-Dist: aiohttp>=3.12.14
-Requires-Dist: aiomysql>=0.2.0
-Requires-Dist: aioredis>=2.0.1
-Requires-Dist: asyncmy>=0.2.10
-Requires-Dist: cssselect>=1.2.0
-Requires-Dist: dateparser>=1.2.2
-Requires-Dist: httpx[http2]>=0.27.0
-Requires-Dist: curl-cffi>=0.13.0
-Requires-Dist: lxml>=5.2.1
-Requires-Dist: motor>=3.7.0
-Requires-Dist: parsel>=1.9.1
-Requires-Dist: pydantic>=2.11.7
-Requires-Dist: pymongo>=4.11
-Requires-Dist: PyMySQL>=1.1.1
-Requires-Dist: python-dateutil>=2.9.0.post0
-Requires-Dist: redis>=6.2.0
-Requires-Dist: requests>=2.32.4
-Requires-Dist: six>=1.17.0
-Requires-Dist: ujson>=5.9.0
-Requires-Dist: urllib3>=2.5.0
-Requires-Dist: w3lib>=2.1.2
-Requires-Dist: rich>=14.1.0
-Requires-Dist: astor>=0.8.1
-Requires-Dist: watchdog>=6.0.0
-Provides-Extra: render
-Requires-Dist: webdriver-manager>=4.0.0; extra == "render"
-Requires-Dist: playwright; extra == "render"
-Requires-Dist: selenium>=3.141.0; extra == "render"
-Provides-Extra: all
-Requires-Dist: bitarray>=1.5.3; extra == "all"
-Requires-Dist: PyExecJS>=1.5.1; extra == "all"
-Requires-Dist: pymongo>=3.10.1; extra == "all"
-Requires-Dist: redis-py-cluster>=2.1.0; extra == "all"
-Requires-Dist: webdriver-manager>=4.0.0; extra == "all"
-Requires-Dist: playwright; extra == "all"
-Requires-Dist: selenium>=3.141.0; extra == "all"
-
-# Crawlo 爬虫框架
-
-Crawlo 是一个高性能、可扩展的 Python 爬虫框架，支持单机和分布式部署。
-
-## 特性
-
-- 高性能异步爬取
-- 支持多种下载器 (aiohttp, httpx, curl-cffi)
-- 内置数据清洗和验证
-- 分布式爬取支持
-- 灵活的中间件系统
-- 强大的配置管理系统
-- 详细的日志记录和监控
-- Windows 和 Linux 兼容
-
-## 安装
-
-```bash
-pip install crawlo
-```
-
-或者从源码安装：
-
-```bash
-git clone git@github.com:crawl-coder/Crawlo.git
-cd crawlo
-pip install -r requirements.txt
-pip install .
-```
-
-## 快速开始
-
-```python
-from crawlo import Spider
-
-class MySpider(Spider):
-    name = 'example'
-    
-    def parse(self, response):
-        # 解析逻辑
-        pass
-
-# 运行爬虫
-# crawlo run example
-```
-
-## Response 对象功能
-
-Crawlo 框架对 Response 对象进行了增强，提供了更多便捷方法：
-
-### URL 处理
-
-使用 Response 对象封装的 URL 处理方法可以方便地处理各种 URL 操作，无需手动导入 `urllib.parse` 中的函数：
-
-```python
-class MySpider(Spider):
-    def parse(self, response):
-        # 1. 处理相对URL和绝对URL
-        absolute_url = response.urljoin('/relative/path')
-        
-        # 2. 解析URL组件
-        parsed = response.urlparse()  # 解析当前响应URL
-        scheme = parsed.scheme
-        domain = parsed.netloc
-        path = parsed.path
-        
-        # 3. 解析查询参数
-        query_params = response.parse_qs()  # 解析当前URL的查询参数
-        
-        # 4. 编码查询参数
-        new_query = response.urlencode({'key': 'value', 'name': '测试'})
-        
-        # 5. URL编码/解码
-        encoded = response.quote('hello world 你好')
-        decoded = response.unquote(encoded)
-        
-        # 6. 移除URL片段
-        url_without_fragment, fragment = response.urldefrag('http://example.com/path#section')
-        
-        yield Request(url=absolute_url, callback=self.parse_detail)
-```
-
-### 编码检测优化
-
-Crawlo 框架参考 Scrapy 的设计模式对 Response 对象的编码检测功能进行了优化，提供了更准确和可靠的编码检测：
-
-```python
-class MySpider(Spider):
-    def parse(self, response):
-        # 自动检测响应编码
-        encoding = response.encoding
-        
-        # 获取声明的编码（Request编码 > BOM > HTTP头部 > HTML meta标签）
-        declared_encoding = response._declared_encoding()
-        
-        # 响应文本已自动使用正确的编码解码
-        text = response.text
-        
-        # 处理解码后的内容
-        # ...
-```
-
-编码检测优先级：
-1. Request 中指定的编码
-2. BOM 字节顺序标记
-3. HTTP Content-Type 头部
-4. HTML meta 标签声明
-5. 内容自动检测
-6. 默认编码 (utf-8)
-
-### 选择器方法优化
-
-Crawlo 框架对 Response 对象的选择器方法进行了优化，提供了更便捷的数据提取功能，方法命名更加直观和统一：
-
-```python
-class MySpider(Spider):
-    def parse(self, response):
-        # 1. 提取单个元素文本（支持CSS和XPath）
-        title = response.extract_text('title')  # CSS选择器
-        title = response.extract_text('//title')  # XPath选择器
-        
-        # 2. 提取多个元素文本
-        paragraphs = response.extract_texts('.content p')  # CSS选择器
-        paragraphs = response.extract_texts('//div[@class="content"]//p')  # XPath选择器
-        
-        # 3. 提取单个元素属性
-        link_href = response.extract_attr('a', 'href')  # CSS选择器
-        link_href = response.extract_attr('//a[@class="link"]', 'href')  # XPath选择器
-        
-        # 4. 提取多个元素属性
-        all_links = response.extract_attrs('a', 'href')  # CSS选择器
-        all_links = response.extract_attrs('//a[@class="link"]', 'href')  # XPath选择器
-        
-        yield {
-            'title': title,
-            'paragraphs': paragraphs,
-            'links': all_links
-        }
-```
-
-所有选择器方法都采用了简洁直观的命名风格，便于记忆和使用。
-
-### 工具模块
-
-Crawlo 框架提供了丰富的工具模块，用于处理各种常见任务。选择器相关的辅助函数现在位于 `crawlo.utils.selector_helper` 模块中：
-
-```python
-from crawlo.utils import (
-    extract_text,
-    extract_texts,
-    extract_attr,
-    extract_attrs,
-    is_xpath
-)
-
-# 在自定义代码中使用这些工具函数
-title_elements = response.css('title')
-title_text = extract_text(title_elements)
-
-li_elements = response.css('.list li')
-li_texts = extract_texts(li_elements)
-
-link_elements = response.css('.link')
-link_href = extract_attr(link_elements, 'href')
-
-all_links = response.css('a')
-all_hrefs = extract_attrs(all_links, 'href')
-```
-
-## 日志系统
-
-Crawlo 拥有一个功能强大的日志系统，支持多种配置选项：
-
-### 基本配置
-
-```python
-from crawlo.logging import configure_logging, get_logger
-
-# 配置日志系统
-configure_logging(
-    LOG_LEVEL='INFO',
-    LOG_FILE='logs/app.log',
-    LOG_MAX_BYTES=10*1024*1024,  # 10MB
-    LOG_BACKUP_COUNT=5
-)
-
-# 获取logger
-logger = get_logger('my_module')
-logger.info('这是一条日志消息')
-```
-
-### 高级配置
-
-```python
-# 分别配置控制台和文件日志级别
-configure_logging(
-    LOG_LEVEL='INFO',
-    LOG_CONSOLE_LEVEL='WARNING',  # 控制台只显示WARNING及以上级别
-    LOG_FILE_LEVEL='DEBUG',       # 文件记录DEBUG及以上级别
-    LOG_FILE='logs/app.log',
-    LOG_INCLUDE_THREAD_ID=True,   # 包含线程ID
-    LOG_INCLUDE_PROCESS_ID=True   # 包含进程ID
-)
-
-# 模块特定日志级别
-configure_logging(
-    LOG_LEVEL='WARNING',
-    LOG_LEVELS={
-        'my_module.debug': 'DEBUG',
-        'my_module.info': 'INFO'
-    }
-)
-```
-
-### 性能监控
-
-```python
-from crawlo.logging import get_monitor
-
-# 启用日志性能监控
-monitor = get_monitor()
-monitor.enable_monitoring()
-
-# 获取性能报告
-report = monitor.get_performance_report()
-print(report)
-```
-
-### 日志采样
-
-```python
-from crawlo.logging import get_sampler
-
-# 设置采样率（只记录30%的日志）
-sampler = get_sampler()
-sampler.set_sample_rate('my_module', 0.3)
-
-# 设置速率限制（每秒最多100条日志）
-sampler.set_rate_limit('my_module', 100)
-```
-
-## Windows 兼容性说明
-
-在 Windows 系统上使用日志轮转功能时，可能会遇到文件锁定问题。为了解决这个问题，建议安装 `concurrent-log-handler` 库：
-
-```bash
-pip install concurrent-log-handler
-```
-
-Crawlo 框架会自动检测并使用这个库来提供更好的 Windows 兼容性。
-
-如果未安装 `concurrent-log-handler`，在 Windows 上运行时可能会出现以下错误：
-```
-PermissionError: [WinError 32] 另一个程序正在使用此文件，进程无法访问。
-```
-
-## 爬虫自动发现
-
-Crawlo 框架支持通过 `SPIDER_MODULES` 配置自动发现和加载爬虫，类似于 Scrapy 的机制：
-
-```python
-# settings.py
-SPIDER_MODULES = [
-    'myproject.spiders',
-    'myproject.more_spiders',
-]
-
-SPIDER_LOADER_WARN_ONLY = True  # 加载错误时只警告不报错
-```
-
-框架会自动扫描配置的模块目录，发现并注册其中的爬虫类。
-
-## 文档
-
-请查看 [文档](https://your-docs-url.com) 获取更多信息。
-
-## 许可证
-
-MIT