这篇主要讲解如何实现多爬虫文件和多管道,多中间件
#一、duo多爬虫文件实现
##1、首先,将每一个站点的爬虫分离为单独的文件
我们项目中的站点一共两个,百度和豆瓣,分离为两个文件
baidu.py
# project_dir/spiders/baidu.py
from scrapy_plus.core.spider import Spider
# 继承框架的爬虫基类
class BaiduSpider(Spider):
start_urls = ['http://www.baidu.com'] # 设置初始请求url
# 不实现具体的爬虫解析,所以只有一个url,,先用这个代替生成
def start_requests(self):
yield Request(self.start_urls[0])
# project_dir/spiders/douban.py
from scrapy_plus.core.spider import Spider
from scrapy_plus.http.request import Request
from scrapy_plus.item import Item
class DoubanSpider(Spider):
start_urls = [] # 重写start_requests方法后,这个属性就没有设置的必要了
def start_requests(self):
# 重写start_requests方法,返回多个请求
base_url = 'http://movie.douban.com/top250?start='
for i in range(0, 250, 25): # 逐个返回第1-10页的请求属相
url = base_url + str(i)
yield Request(url)
···
创建一个spiders文件夹,把爬虫文件都放到里面去
##2、同时执行多个不同的爬虫
将各个站点的爬虫以字典的形式传入
# project_dir/main.py
from scrapy_plus.core.engine import Engine # 导入引擎
from spiders.baidu import BaiduSpider
from spiders.douban import DoubanSpider
if __name__ == '__main__':
baidu_spider = BaiduSpider() # 实例化爬虫对象
douban_spider = DoubanSpider() # 实例化爬虫对象
spiders = {'baidu':baidu_spider, 'douban':douban_spider}
engine = Engine(spiders) # 传入爬虫对象
engine.start() # 启动引擎
在引擎中用到爬虫对象的地方都要做相应的修改
'''引擎
a. 对外提供整个的程序的入口
b. 依次调用其他组件对外提供的接口,实现整个框架的运作(驱动)
'''
......
class Engine(object):
# 此处修改
def __init__(self, spiders): # 接收外部传入的多个爬虫对象
self.spiders = spiders # 爬虫对象
......
......
def _start_requests(self):
'''向调度器添加初始请求'''
# 1. 爬虫模块发出初始请求
for spider_name, spider in self.spiders.items(): # 此处新增
for start_request in spider.start_requests(): # 此处修改
# 2. 把初始请求添加给调度器
# 利用爬虫中间件预处理请求对象
start_request = self.spider_mid.process_request(start_request)
# 此处新增
# 为请求对象绑定它所属的爬虫的名称
start_request.spider_name = spider_name
self.scheduler.add_request(start_request)
# 请求总数+1
self.total_request_nums += 1
def _execute_request_response_item(self):
'''根据请求、发起请求获取响应、解析响应、处理响应结果'''
......
# 此处新增
# 根据request的spider_name属性,获取对应的爬虫对象
spider = self.spiders[request.spider_name]
# 此处修改
# 获取响应的parse方法
parse = getattr(spider, request.parse) # getattr(类, 类中方法名的字符串) = 类方法对象
# 5. 指定的解析函数返回可迭代对象
for result in parse(response):
# 6.1 判断:如果是request对象
if isinstance(result, Request):
# request经过spider中间件
result = self.spider_mid.process_request(result)
# 此处新增
# 给request对象增加一个spider_name属性
result.spider_name = request.spider_name
# 就通过add_request()给调度器的队列
self.scheduler.add_request(result)
# 请求数+1
self.total_request_nums += 1
......
##3、再次改进,将每个爬虫的名称直接设置为爬虫类的一个属性
项目中爬虫代码参考
class BaiduSpider(Spider):
name = 'baidu' # 为爬虫命名
start_urls = ['http://www.baidu.com'] # 设置初始请求url
豆瓣的也要
最后main.py改为
'''按照这样的方式设定key值'''
# spiders = {'baidu': baidu_spider, 'douban': douban_spider}
spiders = {BaiduSpider.name: baidu_spider, DoubanSpider.name: douban_spider}
4.1 相应的去修改scrapy_plus中的spider.py
scrapy_plus/core/spider.py
......
class Spider(object):
'''
1. 构建请求信息(初始的),也就是生成请求对象(Request)
2. 解析响应对象,返回数据对象(Item)或者新的请求对象(Request)
'''
name = '' # 此处新增
start_urls = []
......
安装代码,并运行main.py,直到调试成功
#二、多管道实现
##1 为什么需要多个管道
同爬虫文件一样,不同的爬虫可能需要不同的管道文件,因此管道文件需要在项目中进行实现
##2 项目文件夹中实现管道文件
在项目文件夹下建立pipelines.py文件,不同在于:
这里的process_item必须把item对象最后再返回回来,因为是多个管道文件的设置了
需要增加一个参数,也就是传入爬虫对象,以此来判断当前item是属于那个爬虫对象的
# project_dir/pipelines.py
from spiders.baidu import BaiduSpider
from spiders.douban import DoubanSpider
class BaiduPipeline(object):
# 这里有所不同的是,需要增加一个参数,也就是传入爬虫对象
# 以此来判断当前item是属于那个爬虫对象的
def process_item(self, item, spider):
'''处理item'''
if isinstance(spider, BaiduSpider):
print("百度爬虫的数据:", item)
return item # 最后必须返回item
class DoubanPipeline(object):
# 这里有所不同的是,需要增加一个参数,也就是传入爬虫对象
# 以此来判断当前item是属于那个爬虫对象的
def process_item(self, item, spider):
'''处理item'''
if isinstance(spider, DoubanSpider):
print("豆瓣爬虫的数据:", item)
return item # 最后必须返回item
##3 修改引擎的代码
管道对象将从外部传入
调用管道的process_item方法时,需要遍历出管道
并且需要传递第二个参数,爬虫对象:修改框架pipelines.py中的process_item()函数,增加一个spider参数
# scrapy_plus/core/engine.py
......
class Engine:
'''完成对引擎模块的封装'''
# 此处修改
def __init__(self,spiders,pipelines=[]):
'''
实例化其他的组件,在引起中能够通过调用组件的方法实现功能
'''
......
self.pipelines = pipelines # 此处修改
......
def _execute_request_response_item(self):
'''根据请求、发起请求获取响应、解析响应、处理响应结果'''
......
else:
# 此处修改
# 就通过process_item()传递数据给管道
for pipeline in self.pipelines:
pipeline.process_item(result, spider)
self.total_response_nums += 1
......
##4 修改main.py
为引擎传入项目中的管道对象:
# project_dir/main.py
from scrapy_plus.core.engine import Engine # 导入引擎
from spiders.baidu import BaiduSpider
from spiders.douban import DoubanSpider
from pipelines import BaiduPipeline, DoubanPipeline
if __name__ == '__main__':
baidu_spider = BaiduSpider() # 实例化爬虫对象
douban_spider = DoubanSpider() # 实例化爬虫对象
spiders = {BaiduSpider.name: baidu_spider, DoubanSpider.name: douban_spider} # 爬虫们
pipelines = [BaiduPipeline(), DoubanPipeline()] # 管道们
engine = Engine(spiders, pipelines=pipelines) # 传入爬虫对象
engine.start() # 启动引擎
安装后运行结果:
·····
这是爬虫中间件:process_response方法
百度爬虫的数据: <scrapy_plus.item.Item object at 0x000002732B1F1BA8>
这是下载器中间件:process_request方法
这是下载器中间件:process_response方法
#三、实现项目中传入多个中间件
##1 为什么需要多个中间件
不同的中间件可以实现对请求或者是响应对象进行不同的处理,通过不同的中间件实现不同的功能,让逻辑更加清晰
##2 在项目文件夹中创建middlewares文件
项目文件夹中的spider_middlewares.py
class TestSpiderMiddleware1(object):
def process_request(self, request):
'''处理请求头,添加默认的user-agent'''
print("TestSpiderMiddleware1: process_request")
return request
def process_response(self, response):
'''处理数据对象'''
print("TestSpiderMiddleware1: process_response")
return response
class TestSpiderMiddleware2(object):
def process_request(self, request):
'''处理请求头,添加默认的user-agent'''
print("TestSpiderMiddleware2: process_request")
return request
def process_response(self, response):
'''处理数据对象'''
print("TestSpiderMiddleware2: process_response")
return response
项目文件夹中的downloader_middlewares.py
class TestDownloaderMiddleware1(object):
def process_request(self, request):
'''处理请求头,添加默认的user-agent'''
print("TestDownloaderMiddleware1: process_request")
return request
def process_response(self, response):
'''处理数据对象'''
print("TestSDownloaderMiddleware1: process_response")
return response
class TestDownloaderMiddleware2(object):
def process_request(self, request):
'''处理请求头,添加默认的user-agent'''
print("TestDownloaderMiddleware2: process_request")
return request
def process_response(self, response):
'''处理数据对象'''
print("TestDownloaderMiddleware2: process_response")
return response
##2 修改项目文件夹中的main.py
为引擎传入多个中间件
......
# 此处新增
from spider_middlewares import TestSpiderMiddleware1, TestSpiderMiddleware2
from downloader_middlewares import TestDownloaderMiddleware1, TestDownloaderMiddleware2
if __name__ == '__main__':
......
# 此处新增
spider_mids = [TestSpiderMiddleware1(), TestSpiderMiddleware2()] # 多个爬虫中间件
downloader_mids = [TestDownloaderMiddleware1(), TestDownloaderMiddleware2()] # 多个下载中间件
# 此处修改
engine = Engine(spiders, pipelines=pipelines, spider_mids=spider_mids, downloader_mids=downloader_mids) # 传入爬虫对象
......
##3 、相应的的修改engine.py
改为使用多个中间件
# scrapy_plus/core/engine.py
.....
class Engine:
'''完成对引擎模块的封装'''
# 此处修改
def __init__(self,spiders,pipelines=[],spider_mids=[],downloader_mids=[]):
'''
实例化其他的组件,在引起中能够通过调用组件的方法实现功能
'''
......
# 此处修改
self.spider_mids = spider_mids
self.downloader_mids = downloader_mids
......
def _start_request(self):
for spider_name,spider in self.spiders.items():
for start_request in spider.start_requests():
#1. 对start_request进过爬虫中间件进行处理
# 此处修改
for spider_mid in self.spider_mids:
start_request = spider_mid.process_request(start_request)
# 为请求对象绑定它所属的爬虫的名称
start_request.spider_name = spider_name
......
def _execute_request_response_item(self):
#3. 调用调度器的get_request方法,获取request对象
request = self.scheduler.get_request()
if request is None: #如果没有获取到请求对象,直接返回
return
# 此处修改
#request对象经过下载器中间件的process_request进行处理
for downloader_mid in self.downloader_mids:
request = downloader_mid.process_request(request)
#4. 调用下载器的get_response方法,获取响应
response = self.downloader.get_response(request)
response.meta = request.meta
# 此处修改
#response对象经过下载器中间件的process_response进行处理
for downloader_mid in self.downloader_mids:
response = downloader_mid.process_response(response)
# 此处修改
#response对象经过下爬虫中间件的process_response进行处理
for spider_mid in self.spider_mids:
response = spider_mid.process_response(response)
#parse方法
spider = self.spiders[request.spider_name]
parse = getattr(spider,request.parse)
#5. 调用爬虫的parse方法,处理响应
for result in parse(response):
#6.判断结果的类型,如果是request,重新调用调度器的add_request方法
if isinstance(result,Request):
# 此处修改
#在解析函数得到request对象之后,使用process_request进行处理
for spider_mid in self.spider_mids:
result = spider_mid.process_request(result)
result.spider_name = request.spider_name
self.scheduler.add_request(result)
self.total_request_nums += 1
#7如果不是,调用pipeline的process_item方法处理结果
else:
# 就通过process_item()传递数据给管道
for pipeline in self.pipelines:
result = pipeline.process_item(result,spider)
self.total_response_nums += 1
......
重新安装后运行结果:
TestSpiderMiddleware2: process_request
TestSpiderMiddleware1: process_request
TestSpiderMiddleware2: process_request
TestDownloaderMiddleware1: process_request
TestDownloaderMiddleware2: process_request