TinScrapy-简化的Scrapy原码-查看爬虫的执行流程

学习了自定义的TinyScrapy框架，整理出以下定注释的代码

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

 class Response(object):
     '''
     对返回内容进行封装为UTF8格式
     '''
     def __init__(self,body,request):
         self.body=body
         self.request=request
         self.url=request.url

     @property
     def text(self):
         return self.body.decode('utf-8')

 class Request(object):
     '''
     封装，请求的URL 与回调函数
     '''
     def __init__(self,url,callback):
         self.url=url
         self.callback=callback

 class Scheduler(object):#调度器
     '''
     任务调度器
     '''
     def __init__(self,engine):
         self.q=queue.Queue()#队列
         self.engine=engine
     def enqueue_request(self,request):
         self.q.put(request)#加入队列
     def next_request(self):
         try:
             req=self.q.get(block=False)#从队列中取出
         except Exception as e:
             req=None
         return req
     def size(self):
         return self.q.qsize()#队列是的个数

 class ExecutionEngine(object): #爬虫引擎

     def __init__(self):#构造
         self._closewait=None #关闭引擎调用 默认为不关闭
         self.running=True#引擎默认为运行状态
         self.start_requests=None #开始爬取任务
         self.scheduler=Scheduler(self)#调度器 类 构造自己放入调度器，传回自身
         self.inprogress =set() #集合 并发数

     def check_empty(self,response):#检测任务是否为空
         if not self.running:
             print('任务终止。。。。')
             self._closewait.callback(None)

     def _next_request(self):#下一个爬取任务
         while self.start_requests:#存在爬取任务
             try:
                 request=next(self.start_requests)
             except StopIteration:#如果执行出错
                 self.start_requests=None#任务变为空
             else:
                 self.scheduler.enqueue_request(request)#放入调度器中
         print(len(self.inprogress),'=>总任务数',self.scheduler.size(),'=>调度器中的任务数')
         while len(self.inprogress)< 5 and self.scheduler.size()>0: #最大并发数为 5
             request=self.scheduler.next_request()#调度器中任务 调用自身
             if not request:
                 break
             self.inprogress.add(request)#加入任务并发
             d=getPage(bytes(request.url,encoding='utf-8'))#开始爬取任务
             #d.addError=()#任务出错时执行
             #d.addCallback=()#任务成功完成时执行
             d.addBoth(self._handle_downloader_output,request)#下载 任务 #无论是否成功都执行 有返回值 运行_handle
             d.addBoth(lambda x,req:self.inprogress.remove(req),request)#正在运行的进行移除
             d.addBoth(lambda x:self._next_request())#执行本身的函数
         if len(self.inprogress)==0 and self.scheduler.size()==0:
             self._closewait.callback(None)#执行关闭程序

     def _handle_downloader_output(self,body,request):#任务后的回调函数
         '''
         获取内容，执行回调函数，并且把回调函数中的返回值获取，并添加到队列中
         :param response:
         :param request:
         :return:
         '''
         import  types
         response=Response(body,request)#进行封装
         func=request.callback or self.spider.parse#如果有回返值，func取回返值 否则 等于任务的最开始内容
         gen=func(response)
         if isinstance(gen,types.GeneratorType):#是否是生成器对象
             for req in gen:
                 self.scheduler.enqueue_request(req)

     @defer.inlineCallbacks
     def start(self):
         self._closewait=defer.Deferred()#生成一个空任务对象 用于保持程序
         yield self._closewait

     @defer.inlineCallbacks
     def open_spider(self,spider,start_requests):#传入封装好的Requset ，任务迭代器
         self.start_requests=start_requests#任务迭代器
         self.spider=spider#封装好的Requset （请求的URL 与回调函数）
         yield None #生成器，断点缓存
         reactor.callLater(0,self._next_request)#立刻执行 下一个爬取任务

 class Crawler(object):#爬虫执行类
     def __init__(self,spidercls):#传入任务(ChoutiSpider,等)
         self.spidercls=spidercls
         self.spider =None
         self.engine=None

     @defer.inlineCallbacks
     def crawl(self):
         self.engine=ExecutionEngine()#类实例化 引擎
         self.spider=self.spidercls()#实例化任务
         start_requests =iter(self.spider.start_requests())#迭代器
         yield self.engine.open_spider(self.spider,start_requests)#引擎启动
         yield self.engine.start()#开始执行

 class CrawlerProcess(object):#爬虫任务器 类
     def __init__(self):
         self._active=set()#已经执行任务集合
         self.crawlers=set()# 爬虫任务集合

     def crawl(self,spidercls,*args,**kwargs):#传入爬虫任务
         crawler=Crawler(spidercls)#爬虫任务开始  实例化
         self.crawlers.add(crawler)#爬虫任务集合
         d=crawler.crawl(*args,**kwargs)#爬取任务实例化 运行
         self._active.add(d)#加入已经执行任务集合
         return d

     def start(self):
         d1=defer.DeferredList(self._active)#实例化执行对象
         d1.addBoth(self._stop_reactor)#所有任务结束 调用 stop方法
         reactor.run()

     def _stop_reactor(self,_=None):#任务停止
         reactor.stop()

 class Spider(object):
     def start_requests(self):
         for url in self.start_urls:
             yield  Request(url,self.parse)#生成器，对URL与回调函数进行封装

 #=========具体爬虫任务=======start==========#
 class ChoutiSpider(Spider):#
     name='chouti'
     start_urls=['http://dig.chouti.com/',]
     def parse(self,response):
         print(response.text)

 class CnblogsSpider(Spider):
     name='cnblogs'
     start_urls=['http://www.cnblogs.com/',]
     def parse(self,response):
         print(response.text)
 #=========具体爬虫任务=======end==========#

 if __name__=='__main__':
     spider_cls_list=[ChoutiSpider,CnblogsSpider]#加入任务列表
     crawler_process=CrawlerProcess()#实例化爬虫任务器
     for spider_cls in spider_cls_list:
         crawler_process.crawl(spider_cls)#传入任务
     crawler_process.start()#开始执行

TinyScrapy