基于scrapy源码实现的自定义微型异步爬虫框架

一、scrapy原理

Scrapy 使用了 Twisted异步网络库来处理网络通讯。整体架构大致如下

Scrapy主要包括了以下组件：

• 引擎(Scrapy)
  用来处理整个系统的数据流处理, 触发事务(框架核心)
• 调度器(Scheduler)
  用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL（抓取网页的网址或者说是链接）的优先队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
• 下载器(Downloader)
  用于下载网页内容, 并将网页内容返回给蜘蛛(Scrapy下载器是建立在twisted这个高效的异步模型上的)
• 爬虫(Spiders)
  爬虫是主要干活的, 用于从特定的网页中提取自己需要的信息, 即所谓的实体(Item)。用户也可以从中提取出链接,让Scrapy继续抓取下一个页面
• 项目管道(Pipeline)
  负责处理爬虫从网页中抽取的实体，主要的功能是持久化实体、验证实体的有效性、清除不需要的信息。当页面被爬虫解析后，将被发送到项目管道，并经过几个特定的次序处理数据。
• 下载器中间件(Downloader Middlewares)
  位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应。
• 爬虫中间件(Spider Middlewares)
  介于Scrapy引擎和爬虫之间的框架，主要工作是处理蜘蛛的响应输入和请求输出。
• 调度中间件(Scheduler Middewares)
  介于Scrapy引擎和调度之间的中间件，从Scrapy引擎发送到调度的请求和响应。

Scrapy运行流程大概如下：

1. 引擎从调度器中取出一个链接(URL)用于接下来的抓取
2. 引擎把URL封装成一个请求(Request)传给下载器
3. 下载器把资源下载下来，并封装成应答包(Response)
4. 爬虫解析Response
5. 解析出实体（Item）,则交给实体管道进行进一步的处理
6. 解析出的是链接（URL）,则把URL交给调度器等待抓取

二、自定义scrapy框架

所用到的三个对象：
getpage：内封装socket对象，帮下载url的html页面，可自动回调
defer：内包装socket对象，不调用，所以不会自己回调，需手动终止，用于整个爬虫的任务终止
reactor：封装io多路复用，开启循环

通过DeferredList控制所有爬虫任务，结束时stop终止reactor的监听

运行流程大概如下：
1.crawl将spider中的start_requests中返回的的起始url生成器转化为迭代器，将请求添加到调度器。
2.通过reactor调用_next_request方法，即从调度器取出request对象并发送请求
3.页面下载完成，回调get_response_callback，调用用户spider中定义的parse方法，如果parse有yield request对象，将新请求添加到调度器。
如未达到最大并发数，可以再去调度器中获取Request。
4.当调度器的request对象没有了，即是爬虫任务结束，此时可关闭Deferred和reactor。

代码如下：

from twisted.internet import defer
from  twisted.internet import reactor
from twisted.web.client import getPage

class Request(object):
    def __init__(self, url, callback):
        self.url = url
        self.callback = callback

class HttpResponse(object):

    def __init__(self,content,request):
        self.content = content
        self.request = request
        self.url = request.url
        self.text = str(content,encoding='utf-8')

class ChoutiSpider(object):
    name = "chouti"

    def start_requests(self):
        start_urls = ['http://dig.chouti.com']
        for url in start_urls:
            yield Request(url, callback=self.parse)

    def parse(self, response):
        # yield Request("http://cn.bing.com",callback=self.parse)
        print(response)

import queue

Q = queue.Queue()

class Engine(object):
    def __init__(self):
        self._close = None
        self.max = 5
        self.crawling = []

    def get_response_callback(self,content,request):
        self.crawling.remove(request)
        rep = HttpResponse(content, request)
        result = request.callback(rep) #调用parse方法   如果parse中有yield  则result是一个生成器
        import types
        if isinstance(result, types.GeneratorType):
            for req in result:
                Q.put(req)

    def _next_request(self):
        #取request对象，并发送请求
        if Q.qsize() == 0 and len(self.crawling) == 0:
            self._close.callback(None)
            return

        if len(self.crawling) >= self.max:
            return

        while len(self.crawling) < self.max:
            try:
                req = Q.get(block=False)
                self.crawling.append(req)
                d = getPage(req.url.encode("utf-8"))
                # 页面下载完成，get_response_callback，调用用户spider中定义的parse方法，并且将新请求添加到调度器
                d.addCallback(self.get_response_callback, req)
                # 未达到最大并发数，可以再去调度器中获取Request
                d.addCallback(lambda _: reactor.callLater(0, self._next_request))
            except Exception as e:
                return

    @defer.inlineCallbacks
    def crawl(self, spider):
        start_requests = iter(spider.start_requests())
        #将请求添加到调度器
        while True:
            try:
                request = next(start_requests)
                Q.put(request)
            except StopIteration as e:
                break

            # 去调度器中取request，并发送请求
            # self._next_request()
        reactor.callLater(0, self._next_request)

        self._close = defer.Deferred()
        yield self._close

spider = ChoutiSpider()
_active = set()
engine = Engine()
d = engine.crawl(spider)

_active.add(d)
dd = defer.DeferredList(_active)
dd.addBoth(lambda a:reactor.stop())

reactor.run()