三十四 Python分布式爬虫打造搜索引擎Scrapy精讲—scrapy信号详解

信号一般使用信号分发器dispatcher.connect()，来设置信号，和信号触发函数，当捕获到信号时执行一个函数

dispatcher.connect()信号分发器，第一个参数信号触发函数，第二个参数是触发信号，

以下是各种信号

signals.engine_started当Scrapy引擎启动爬取时发送该信号。该信号支持返回deferreds。
signals.engine_stopped当Scrapy引擎停止时发送该信号(例如，爬取结束)。该信号支持返回deferreds。

signals.item_scraped(item, response, spider)当item被爬取，并通过所有 Item Pipeline 后(没有被丢弃(dropped)，发送该信号。该信号支持返回deferreds。
　　参数:
　　item (Item 对象) – 爬取到的item
　　spider (Spider 对象) – 爬取item的spider
　　response (Response 对象) – 提取item的response

signals.item_dropped(item, exception, spider)当item通过 Item Pipeline ，有些pipeline抛出 DropItem 异常，丢弃item时，该信号被发送。该信号支持返回deferreds。
　　参数:
　　item (Item 对象) – Item Pipeline 丢弃的item
　　spider (Spider 对象) – 爬取item的spider
　　exception (DropItem 异常) – 导致item被丢弃的异常(必须是 DropItem 的子类)

signals.spider_closed(spider, reason)当某个spider被关闭时，该信号被发送。该信号可以用来释放每个spider在 spider_opened 时占用的资源。该信号支持返回deferreds。
　　参数:
　　spider (Spider 对象) – 关闭的spider
　　reason (str) – 描述spider被关闭的原因的字符串。如果spider是由于完成爬取而被关闭，则其为 'finished' 。否则，如果spider是被引擎的 close_spider 方法所关闭，则其为调用该方法时传入的 　　reason 参数(默认为 'cancelled')。如果引擎被关闭(例如， 输入Ctrl-C)，则其为 'shutdown' 。

signals.spider_opened(spider)当spider开始爬取时发送该信号。该信号一般用来分配spider的资源，不过其也能做任何事。该信号支持返回deferreds。
　　参数: spider (Spider 对象) – 开启的spider

signals.spider_idle(spider)当spider进入空闲(idle)状态时该信号被发送。空闲意味着:
　　requests正在等待被下载
　　requests被调度
　　items正在item pipeline中被处理
当该信号的所有处理器(handler)被调用后，如果spider仍然保持空闲状态， 引擎将会关闭该spider。当spider被关闭后， spider_closed 信号将被发送。您可以，比如，在 spider_idle 处理器中调度某些请求来避免spider被关闭。该信号 不支持 返回deferreds。
　　参数: spider (Spider 对象) – 空闲的spider

signals.spider_error(failure, response, spider)当spider的回调函数产生错误时(例如，抛出异常)，该信号被发送
　　参数:
　　failure (Failure 对象) – 以Twisted Failure 对象抛出的异常
　　response (Response 对象) – 当异常被抛出时被处理的response
　　spider (Spider 对象) – 抛出异常的spider

signals.request_scheduled(request, spider)当引擎调度一个 Request 对象用于下载时，该信号被发送。该信号 不支持 返回deferreds。
　　参数:
　　request (Request 对象) – 到达调度器的request
　　spider (Spider 对象) – 产生该request的spider

signals.response_received(response, request, spider)当引擎从downloader获取到一个新的 Response 时发送该信号。该信号 不支持 返回deferreds。
　　参数:
　　response (Response 对象) – 接收到的response
　　request (Request 对象) – 生成response的request
　　spider (Spider 对象) – response所对应的spider

signals.response_downloaded(response, request, spider)当一个 HTTPResponse 被下载时，由downloader发送该信号。该信号 不支持 返回deferreds。
　　参数:
　　response (Response 对象) – 下载的response
　　request (Request 对象) – 生成response的request
　　spider (Spider 对象) – response所对应的spider

我们以signals.spider_closed(spider, reason)信号举例其他信号同理：

# -*- coding: utf-8 -*-
import scrapy
from scrapy.http import Request,FormRequest
from scrapy.xlib.pydispatch import dispatcher   # 信号分发器
from scrapy import signals                      # 信号

class PachSpider(scrapy.Spider):                            #定义爬虫类，必须继承scrapy.Spider
    name = 'pach'                                           #设置爬虫名称
    allowed_domains = ['www.dict.cn']                       #爬取域名

    def start_requests(self):    #起始url函数，会替换start_urls
        return [Request(
            url='http://www.dict.cn/9999998888',
            callback=self.parse
        )]

    # 利用数据收集器，收集所有404的url以及，404页面数量
    handle_httpstatus_list = [404]                                      # 设置不过滤404

    def __init__(self):
        self.fail_urls = []                                             # 创建一个变量来储存404URL
        dispatcher.connect(self.spider_closed, signals.spider_closed)   # dispatcher.connect()信号分发器，第一个参数信号触发函数，第二个参数是触发信号，signals.spider_closed是爬虫结束信号

    def spider_closed(self, spider, reason):  # 信号触发函数
        print('爬虫结束 停止爬虫')
        print(self.fail_urls)  # 打印404URL列表
        print(self.crawler.stats.get_value('failed_url'))  # 打印数据收集值

    def parse(self, response):                                          # 回调函数
        if response.status == 404:                                      # 判断返回状态码如果是404
            self.fail_urls.append(response.url)                         # 将URL追加到列表
            self.crawler.stats.inc_value('failed_url')                  # 设置一个数据收集，值为自增，每执行一次自增1
        else:
            title = response.css('title::text').extract()
            print(title)