crawlo 1.4.6__py3-none-any.whl → 1.4.7__py3-none-any.whl

crawlo-1.4.6.dist-info/METADATA

@@ -1,329 +0,0 @@
-Metadata-Version: 2.4
-Name: crawlo
-Version: 1.4.6
-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