完善框架的基础功能
介绍
前面我们完成了框架的基本雏形,但是目前能够实现的功能非常简单,还达不到完成一个爬虫的基本需求,对应的需要在本节中对爬虫框架做进行进一步的完善
项目代码与框架代码完善分析
项目代码与框架代码的关系分析: 项目代码与框架代码的关系分析
项目中除了实现main.py以外,还需要实现:
项目配置文件
爬虫文件
管道文件
中间件文件
框架中还需要实现:
框架配置文件,并且需要实现导入项目配置文件,同时覆盖默认配置文件的属性
支持多个爬虫的传入以及使用
支持多个管道的传入以及使用
支持多个中间件的传入以及使用
内容
日志的使用
配置文件的实现
具备较高的通用性:尽可能多的使用多数爬虫场景
具备较好的扩展性:自定义功能或者组件的新增和维护
请求的去重
异步实现
3.3.1框架完善 – 日志模块的使用
目标
掌握logging模块的使用
掌握在框架中使用日志功能
-
为什么要使用添加日志功能
能够方便的对程序进行调试
能够记录程序的运行状态,包括错误 -
日志模块简单使用
日志的等级import logging
日志的五个等级,等级依次递增
默认是WARNING等级
logging.DEBUG
logging.INFO
logging.WARNING
logging.ERROR
logging.CRITICAL设置日志等级
logging.basicConfig(level=logging.INFO)
使用
logging.debug(‘DEBUG’)
logging.info(‘INFO’)
logging.warning(‘WARNING’)
logging.error(‘ERROR’)
logging.critical(‘CRITICAL’)
捕获异常信息到日志。这里主要需要进行捕获异常才能记录下完整的异常信息
try:
raise Exception("异常")
except Exception as e:
logging.exception(e)
日志的输出格式 对于日志的输出格式,我们能够进行自定义,包括输出的内容格式和时间格式
format格式说明:
%(name)s Logger的名字
%(levelno)s 数字形式的日志级别
%(levelname)s 文本形式的日志级别
%(pathname)s 调用日志输出函数的模块的完整路径名,可能没有
%(filename)s 调用日志输出函数的模块的文件名
%(module)s 调用日志输出函数的模块名
%(funcName)s 调用日志输出函数的函数名
%(lineno)d 调用日志输出函数的语句所在的代码行
%(created)f 当前时间,用UNIX标准的表示时间的浮 点数表示
%(relativeCreated)d 输出日志信息时的,自Logger创建以 来的毫秒数
%(asctime)s 字符串形式的当前时间。默认格式是 “2003-07-08 16:49:45,896”。逗号后面的是毫秒
%(thread)d 线程ID。可能没有
%(threadName)s 线程名。可能没有
%(process)d 进程ID。可能没有
%(message)s 用户输出的消息
datefmt参数说明:
%y 两位数的年份表示(00-99)
%Y 四位数的年份表示(000-9999)
%m 月份(01-12)
%d 月内中的一天(0-31)
%H 24小时制小时数(0-23)
%I 12小时制小时数(01-12)
%M 分钟数(00=59)
%S 秒(00-59)
%a 本地简化星期名称
%A 本地完整星期名称
%b 本地简化的月份名称
%B 本地完整的月份名称
%c 本地相应的日期表示和时间表示
%j 年内的一天(001-366)
%p 本地A.M.或P.M.的等价符
%U 一年中的星期数(00-53)星期天为星期的开始
%w 星期(0-6),星期天为星期的开始
%W 一年中的星期数(00-53)星期一为星期的开始
%x 本地相应的日期表示
%X 本地相应的时间表示
%Z 当前时区的名称
%% %号本身
-
利用logger封装日志模块
在scrapy_plus目录下建立utils包 (utility:工具),专门放置工具类型模块,如日志模块log.py 下面的代码内容是固定的,在任何地方都可以使用下面的代码实习日志内容的输出scrapy_plus/utils/log.py
import sys
import logging默认的配置
DEFAULT_LOG_LEVEL = logging.INFO # 默认等级
DEFAULT_LOG_FMT = ‘%(asctime)s %(filename)s [line:%(lineno)d] %(levelname)s: %(message)s’ # 默认日志格式
DEFUALT_LOG_DATEFMT = ‘%Y-%m-%d %H:%M:%S’ # 默认时间格式
DEFAULT_LOG_FILENAME = ‘log.log’ # 默认日志文件名称class Logger(object):
def __init__(self): # 1. 获取一个logger对象 self._logger = logging.getLogger() # 2. 设置format对象 self.formatter = logging.Formatter(fmt=DEFAULT_LOG_FMT,datefmt=DEFUALT_LOG_DATEFMT) # 3. 设置日志输出 # 3.1 设置文件日志模式 self._logger.addHandler(self._get_file_handler(DEFAULT_LOG_FILENAME)) # 3.2 设置终端日志模式 self._logger.addHandler(self._get_console_handler()) # 4. 设置日志等级 self._logger.setLevel(DEFAULT_LOG_LEVEL) def _get_file_handler(self, filename): '''返回一个文件日志handler''' # 1. 获取一个文件日志handler filehandler = logging.FileHandler(filename=filename,encoding="utf-8") # 2. 设置日志格式 filehandler.setFormatter(self.formatter) # 3. 返回 return filehandler def _get_console_handler(self): '''返回一个输出到终端日志handler''' # 1. 获取一个输出到终端日志handler console_handler = logging.StreamHandler(sys.stdout) # 2. 设置日志格式 console_handler.setFormatter(self.formatter) # 3. 返回handler return console_handler @property def logger(self): return self._logger
初始化并配一个logger对象,达到单例的
使用时,直接导入logger就可以使用
logger = Logger().logger
-
在框架中使用日志模块
使用参考scrapy_plus/core/engine.py
from datetime import datetime
from scrapy_plus.http.request import Request # 导入Request对象
from scrapy_plus.middlewares.spider_middlewares import SpiderMiddleware
from scrapy_plus.middlewares.downloader_middlewares import DownloaderMiddleware
from scrapy_plus.utils.log import logger # 导入loggerfrom .spider import Spider
from .scheduler import Scheduler
from .downloader import Downloader
from .pipeline import Pipelineclass Engine(object):
...... def start(self): '''启动整个引擎''' start = datetime.now() # 起始时间 logger.info("开始运行时间:%s" % start) # 使用日志记录起始运行时间 self._start_engine() stop = datetime.now() # 结束时间 logger.info("开始运行时间:%s" % stop) # 使用日志记录结束运行时间 logger.info("耗时:%.2f" % (stop - start).total_seconds()) # 使用日志记录运行耗时
…
小结
本小结重点
掌握日志的使用方法
能够在框架中封装日志模块并且进行使用
3.3.2框架中实现配置文件
目标
完成项目和框架中配置文件的编写和使用
理解python中import内容的顺序
-
实现框架的默认配置文件
在scrapy_plus下建立conf包文件夹在它下面建立default_settings.py:设置默认配置的配置import logging
默认的日志配置
DEFAULT_LOG_LEVEL = logging.INFO # 默认等级
DEFAULT_LOG_FMT = ‘%(asctime)s %(filename)s[line:%(lineno)d]
%(levelname)s: %(message)s’ # 默认日志格式
DEFUALT_LOG_DATEFMT = ‘%Y-%m-%d %H:%M:%S’ # 默认时间格式
DEFAULT_LOG_FILENAME = ‘log.log’ # 默认日志文件名称
再在conf下创建settings.py文件
# scrapy_plus/conf/settings
from .default_settings import * # 全部导入默认配置文件的属性
2.在框架中使用
利用框架配置文件改写log.py
# scrapy_plus/utils/log.py
import sys
import logging
from scrapy_plus.conf import settings # 导入框架的settings文件
class Logger(object):
def __init__(self):
# 1. 获取一个logger对象
self._logger = logging.getLogger()
# 2. 设置format对象
self.formatter = logging.Formatter(fmt=settings.DEFAULT_LOG_FMT,datefmt=settings.DEFUALT_LOG_DATEFMT)
# 3. 设置日志输出
# 3.1 设置文件日志模式
self._logger.addHandler(self._get_file_handler(settings.DEFAULT_LOG_FILENAME))
# 3.2 设置终端日志模式
self._logger.addHandler(self._get_console_handler())
# 4. 设置日志等级
self._logger.setLevel(settings.DEFAULT_LOG_LEVEL)
…
3. 创建项目配置文件,并实现修改框架默认配置文件属性
项目文件夹下创建项目配置文件settings.py:
# project_dir/settings.py
# 修改默认日志文件名称
DEFAULT_LOG_FILENAME = '日志.log' # 默认日志文件名称
修改框架的settings.py文件,实现修改默认配置文件属性的目的
# scrapy_plus/conf/settings
from .default_settings import * # 全部导入默认配置文件的属性
# 这里导入的settings,是项目文件夹的settings文件
from settings import *
小结
本小结重点
掌握python中import的顺序
完成项目和框架中配置文件的编写
3.3.3多爬虫实现之一 – 多请求实现
目标
实现在框架中能够发送多个start_url的请求
实现对_start_engine方法功能的拆分重构
掌握yield和生成器的使用方法
1.需求分析
在发送关于start_url中的请求的时候,往往我们的请求并不是只有一个,而且在解析了响应之后,可能需要继续构造请求并且发送,那么对应的需要在引擎中进行修改。
多请求实现分析: 框架完善:实现处理多个请求
-
项目中实现爬虫文件
在main.py同级目录下建立spiders.py,存放定义的爬虫类project_dir/spiders.py
from scrapy_plus.core.spider import Spider
继承框架的爬虫基类
class BaiduSpider(Spider):
start_url = 'http://www.baidu.com' # 设置初始请求url
修改main.py
# project_dir/main.py
from scrapy_plus.core.engine import Engine # 导入引擎
from spiders import BaiduSpider
if __name__ == '__main__':
spider = BaiduSpider() # 实例化爬虫对象
engine = Engine(spider) # 传入爬虫对象
engine.start() # 启动引擎
修改engine.py,设置为接收外部传入的爬虫对象
# scrapy_plus/core/engine.py
...
class Engine(object):
def __init__(self, spider): # 接收外部传入的爬虫对象
self.spider = spider # 爬虫对象
self.scheduler = Scheduler() # 初始化调度器对象
self.downloader = Downloader() # 初始化下载器对象
self.pipeline = Pipeline() # 初始化管道对象
self.spider_mid = SpiderMiddleware()
self.downloader_mid = DownloaderMiddleware()
…
2. 实现发起多个请求
2.1 修改框架的爬虫组件文件 spider.py:
设置为初始请求url为多个
修改start_requests方法,将返回多个请求对象
利用生成器方式实现start_requests,提高程序的资源消耗
# scrapy_plus/core/spider.py
'''爬虫组件封装'''
from scrapy_plus.item import Item # 导入Item对象
from scrapy_plus.http.request import Request # 导入Request对象
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)
'''
start_urls = [] # 默认初始请求地址
# def start_requests(self):
# '''构建初始请求对象并返回'''
# request_list = []
# for url in self.start_urls:
# request_list.append(Request(url))
# return request_list
# 利用生成器方式实现,提高程序的资源消耗
def start_requests(self):
'''构建初始请求对象并返回'''
for url in self.start_urls:
yield Request(url)
def parse(self, response):
'''解析请求
并返回新的请求对象、或者数据对象
返回值应当是一个容器,如start_requests返回值方法一样,改为生成器即可
'''
yield Item(response.body) # 返回item对象 改为生成器即可
2.2 修改引擎 engine.py:
引擎代码拆分
将代码拆分为两个方法,便于维护,提高代码可读性
统计总共完成的响应数
设置程序退出条件:当总响应数等于总请求数时,退出
实现处理start_requests方法返回多个请求的功能
实现处理parse解析函数返回多个对象的功能
# scheduler/core/engine.py
'''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)
'''
import time
from datetime import datetime
from .downloader import Downloader
from .pipeline import Pipeline
from .scheduler import Scheduler
from .spider import Spider
from scrapy_plus.http.request import Request
from scrapy_plus.middlewares.downloader_middlewares import DownloaderMiddleware
from scrapy_plus.middlewares.spider_middlewares import SpiderMiddleware
from scrapy_plus.utils.log import logger
class Engine:
'''完成对引擎模块的封装'''
def __init__(self,spider):
'''
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.spider = Spider()
self.spider = spider
self.downloader = Downloader()
self.pipeline = Pipeline()
self.scheduler = Scheduler()
self.spider_mid = SpiderMiddleware()
self.downloader_mid = DownloaderMiddleware()
self.total_request_nums = 0
self.total_response_nums = 0
def start(self):
'''
提供引擎启动的入口
:return:
'''
start_time = datetime.now()
logger.info("爬虫启动:{}".format(start_time))
self._start_engine()
end_time = datetime.now()
logger.info("爬虫结束:{}".format(start_time))
logger.info("爬虫一共运行:{}秒".format((end_time-start_time).total_seconds()))
logger.info("总的请求数量:{}".format(self.total_request_nums))
logger.info("总的响应数量:{}".format(self.total_response_nums))
def _start_request(self):
for start_request in self.spider.start_requests():
#1. 对start_request进过爬虫中间件进行处理
start_request = self.spider_mid.process_request(start_request)
#2. 调用调度器的add_request方法,添加request对象到调度器中
self.scheduler.add_request(start_request)
#请求数+1
self.total_request_nums += 1
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
#request对象经过下载器中间件的process_request进行处理
request = self.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对象经过下载器中间件的process_response进行处理
response = self.downloader_mid.process_response(response)
#response对象经过下爬虫中间件的process_response进行处理
response = self.spider_mid.process_response(response)
#5. 调用爬虫的parse方法,处理响应
for result in self.spider.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):
#在解析函数得到request对象之后,使用process_request进行处理
result = self.spider_mid.process_request(result)
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:
self.pipeline.process_item(result)
self.total_response_nums += 1
def _start_engine(self):
'''
具体的实现引擎的细节
:return:
'''
self._start_request()
while True:
time.sleep(0.001)
self._execute_request_response_item()
if self.total_response_nums>= self.total_request_nums:
break
2.3 修改调度器 scheduler.py:
将从队列获取请求对象设置为非阻塞,否则会造成程序无法退出
统计请求总数,用于判断程序退出
# scrapy_plus/core/scheduler.py
'''调度器模块封装'''
# 利用six模块实现py2和py3兼容
from six.moves.queue import Queue
class Scheduler(object):
'''
1. 缓存请求对象(Request),并为下载器提供请求对象,实现请求的调度
2. 对请求对象进行去重判断
'''
def __init__(self):
self.queue = Queue()
# 记录总共的请求数
self.total_request_number = 0
def add_request(self, request):
'''添加请求对象'''
self.queue.put(request)
self.total_request_number += 1 # 统计请求总数
def get_request(self):
'''获取一个请求对象并返回'''
try:
request = self.queue.get(False)
except:
return None
else:
return request
def _filter_request(self):
'''请求去重'''
pass
小结
本小结重点
掌握生成器的使用
完成核心代码的修改
3.3.4多爬虫实现之二 – 爬虫实现多个解析函数
目标
完成spider中如果解析函数调用的封装
掌握getattr的方法
完成通过meta在不通过的解析函数中传递数据的方法
-
爬虫实现多个解析函数的意义
实现多个爬虫解析函数 -
响应对象的解析方法封装
为response对象封装xpath、正则、json、等方法和属性,以支持对数据的解析和提取scrapy_plus/http/response.py
import re
import jsonfrom lxml import etree
class Response(object):
‘’‘框架内置Response对象’’’
def init(self, url, status_code, headers, body):
self.url = url # 响应url
self.status_code = status_code # 响应状态码
self.headers = headers # 响应头
self.body = body # 响应体def xpath(self, rule): '''提供xpath方法''' html = etree.HTML(self.body) return html.xpath(rule) @property def json(self): '''提供json解析 如果content是json字符串,是才有效 ''' return json.loads(self.body) def re_findall(self, rule, data=None): '''封装正则的findall方法''' if data is None: data = self.body return re.findall(rule, data)
-
增加爬虫:豆瓣电影top250
project_dir/spiders.py
from scrapy_plus.core.spider import Spider
from scrapy_plus.http.request import Request
from scrapy_plus.item import Item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
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) def parse(self, response): '''解析豆瓣电影top250列表页''' title_list = [] # 存储所有的 for li in response.xpath("//ol[@class='grid_view']/li"): # 遍历每一个li标签 title = li.xpath(".//span[@class='title'][1]/text()") # 提取该li标下的 标题 title_list.append(title[0]) yield Item(title_list) # 返回标题
-
实现多个解析函数
由于现在不同的请求对应不同的解析函数,因此需要为请求对象指明它的解析函数,因此为请求对象增加一个属性
scrapy_plus/http/request.py
class Request(object):
‘’‘框架内置请求对象,设置请求信息’’’
def __init__(self, url, method='GET', headers=None, params=None, data=None, parse='parse'):
self.url = url # 请求地址
self.method = method # 请求方法
self.headers = headers # 请求头
self.params = params # 请求参数
self.data = data # 请求体
self.parse = parse # 指明它的解析函数, 默认是parse方法
self.meta = None
scrapy_plus/http/response.py
class Response:
‘’‘完成对响应对象的封装’’’
def __init__(self, url, body, headers, status_code, meta={}):
'''
初始化resposne对象
:param url: 响应的url地址
:param body: 响应体
:param headers: 响应头
:param status_code: 状态码
'''
self.url = url
self.headers = headers
self.status_code = status_code
self.body = body
self.meta = meta
- 在引擎中需要动态的判断和获取对应的解析函数
scrapy_plus/core/engine.py
class Engine(object):
......
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'''
......
#request对象经过下载器中间件的process_request进行处理
request = self.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
#response对象经过下载器中间件的process_response进行处理
response = self.downloader_mid.process_response(response)
#response对象经过下爬虫中间件的process_response进行处理
response = self.spider_mid.process_response(response)
#parse方法
parse = getattr(self.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):
#在解析函数得到request对象之后,使用process_request进行处理
result = self.spider_mid.process_request(result)
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:
self.pipeline.process_item(result)
self.total_response_nums += 1
......
- 修改豆瓣爬虫,发起详情页的请求:
project_dir/spiders.py
…
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)
def parse(self, response):
'''解析豆瓣电影top250列表页'''
# title_list = [] # 存储所有的
for li in response.xpath("//ol[@class='grid_view']/li"): # 遍历每一个li标签
item = {}
item["title"] = li.xpath(".//span[@class='title'][1]/text()")[0] # 提取该li标下的 标题
# title_list.append(title[0])
detail_url = li.xpath(".//div[@class='info']/div[@class='hd']/a/@href")[0]
yield Request(detail_url, parse="parse_detail",meta={"item":item}) # 发起详情页的请求,并指定解析函数是parse_detail方法
# yield Item(title_list) # 返回标题
def parse_detail(self, response):
'''解析详情页'''
item = response.meta["item"]
item["url"] = response.url
print('item:', item) # 打印一下响应的url
return [] # 由于必须返回一个容器,这里返回一个空列表
# yield Item(item) #或者yield Item对象
小结
本小结重点
掌握getattr的使用
完成代码的重构,实现多个解析函数封装
3.3.5多爬虫实现之三 – 多爬虫文件
目标
优化现有的爬虫结构,实现同时开始执行多个爬虫
-
为什么需要优化现有的爬虫结构
当爬虫比较少的时候,我们的项目结构相对合理,但是当要抓取的网站比较多的时候,可以借鉴scrapy的方法,把不同网站的爬虫分别在不同的py文件中编写,之后放在一个目录下;同时,我们很多时候还希望能够有同时启动项目中的所有的爬虫 -
将多个爬虫类分离为多个爬虫文件爬虫文件
为了解耦合,应将每个站点的爬虫写为单独一个py文件,因此更改一下放置爬虫的模块,结构如下:- 项目文件夹
– main.py
– spiders
– init.py
– baidu.py
– douban.py
– settings.py
- 项目文件夹
其中baidu.py和douban.py分别是抓取百度和豆瓣的爬虫文件
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
douban.py: 抓取豆瓣电影top250的列表页信息
# 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)
def parse(self, response):
'''解析豆瓣电影top250列表页'''
title_list = [] # 存储所有的
for li in response.xpath("//ol[@class='grid_view']/li"): # 遍历每一个li标签
# title = li.xpath(".//span[@class='title'][1]/text()") # 提取该li标下的 标题
# title_list.append(title[0])
detail_url = li.xpath(".//div[@class='info']/div[@class='hd']/a/@href")[0]
yield Request(detail_url, parse="parse_detail") # 发起详情页的请求,并指定解析函数是parse_detail方法
# yield Item(title_list) # 返回标题
def parse_detail(self, response):
'''解析详情页'''
print('详情页url:', response.url) # 打印一下响应的url
return [] # 由于必须返回一个容器,这里返回一个空列表
对main.py进行相应修改,测试新增的douban爬虫
from scrapy_plus.core.engine import Engine # 导入引擎
from spiders.baidu import BaiduSpider
from spiders.douban import DoubanSpider
if __name__ == '__main__':
# spider = BaiduSpider() # 实例化爬虫对象
douban_spider = DoubanSpider() # 实例化爬虫对象
engine = Engine(douban_spider) # 传入爬虫对象
engine.start() # 启动引擎
- 同时执行多个不同的爬虫
如把豆瓣爬虫和百度爬虫一起启动并执行
传入形式:并用字典的形式传入多个爬虫:
main.py
# 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
engine.py:
'''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):
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():
for start_request in spider.start_requests():
# 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)
start_request.spider_name = spider_name #为请求对象绑定它所属的爬虫的名称
self.scheduler.add_request(start_request)
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'''
......
spider = self.spiders[request.spider_name] # 根据请求的spider_name属性,获取对应的爬虫对象
# 5. 利用爬虫的解析响应的方法,处理响应,得到结果
parse = getattr(spider, request.parse) # 获取对应的解析函数
results = parse(response) # parse函数的返回值是一个容器,如列表或者生成器对象
for result in results:
# 6. 判断结果对象
# 6.1 如果是请求对象,那么就再交给调度器
if isinstance(result, Request):
# 利用爬虫中间件预处理请求对象
result = self.spider_mid.process_request(result)
result.spider_name = request.spider_name # 为请求对象绑定它所属的爬虫的名称
self.scheduler.add_request(result)
# 6.2 否则,就交给管道处理
......
......
安装代码,并运行main.py,直到调试成功
-
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
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‘’‘那么main.py就可以按照这样的方式设定key值’’’
spiders = {BaiduSpider.name: baidu_spider, DoubanSpider.name: douban_spider}
小结
本小结重点
完成对现有的项目结构的更改
完成对爬虫和引擎的代码的修改
3.3.6实现多个管道
目标
实现对引擎的修改,达到数据通过多个管道的目的
- 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
实现多个管道
- 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.data)
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.data)
return item # 最后必须返回item
- 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
scrapy_plus/core/engine.py
…
class Engine:
‘’‘完成对引擎模块的封装’’’
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.spider = Spider()
self.spiders = spiders
self.downloader = Downloader()
self.pipelines = pipelines
self.scheduler = Scheduler()
self.spider_mid = SpiderMiddleware()
self.downloader_mid = DownloaderMiddleware()
self.total_request_nums = 0
self.total_response_nums = 0
def start(self):
‘’’
提供引擎启动的入口
:return:
‘’’
start_time = datetime.now()
logger.info(“爬虫启动:{}”.format(start_time))
self._start_engine()
end_time = datetime.now()
logger.info(“爬虫结束:{}”.format(start_time))
logger.info(“爬虫一共运行:{}秒”.format((end_time-start_time).total_seconds()))
logger.info(“总的请求数量:{}”.format(self.total_request_nums))
logger.info(“总的响应数量:{}”.format(self.total_response_nums))
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
start_request = self.spider_mid.process_request(start_request)
start_request.spider_name = spider_name
#2. 调用调度器的add_request方法,添加request对象到调度器中
self.scheduler.add_request(start_request)
#请求数+1
self.total_request_nums += 1
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
#request对象经过下载器中间件的process_request进行处理
request = self.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
#response对象经过下载器中间件的process_response进行处理
response = self.downloader_mid.process_response(response)
#response对象经过下爬虫中间件的process_response进行处理
response = self.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):
#在解析函数得到request对象之后,使用process_request进行处理
result = self.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:
for pipeline in self.pipelines:
result = pipeline.process_item(result,spider)
self.total_response_nums += 1
…
3.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 pipeline 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
小结
本小结重点
完成代码的重构,实现多个管道的效果
3.3.7实现项目中传入多个中间件
目标
完成代码的重构,实现多个中间件的效果
-
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 -
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_item(self, item): '''处理数据对象''' print("TestSpiderMiddleware1: process_item") return item
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 requestdef process_item(self, item):
‘’‘处理数据对象’’’
print(“TestSpiderMiddleware2: process_item”)
return item
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, item):
'''处理数据对象'''
print("TestDownloaderMiddleware1: process_response")
return item
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, item):
'''处理数据对象'''
print("TestDownloaderMiddleware2: process_response")
return item
-
修改项目文件夹中的main.py
为引擎传入多个中间件from scrapy_plus.core.engine import Engine # 导入引擎
from spiders.baidu import BaiduSpider
from spiders.douban import DoubanSpider
from pipeline import BaiduPipeline, DoubanPipeline
from spider_middlewares import TestSpiderMiddleware1, TestSpiderMiddleware2
from downloader_middlewares import TestDownloaderMiddleware1, TestDownloaderMiddleware2if 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 spider_mids = [TestSpiderMiddleware1(), TestSpiderMiddleware2()] # 多个爬虫中间件 downloader_mids = [TestDownloaderMiddleware1(), TestDownloaderMiddleware2()] # 多个下载中间件 engine = Engine(spiders, pipelines=pipelines, spider_mids=spider_mids, downloader_mids=downloader_mids) # 传入爬虫对象 engine.start() # 启动引擎
-
因此相应的的修改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’’’
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
'''
# self.spider = Spider()
self.spiders = spiders
self.downloader = Downloader()
self.pipelines = pipelines
self.scheduler = Scheduler()
self.spider_mids = spider_mids
self.downloader_mids = downloader_mids
self.total_request_nums = 0
self.total_response_nums = 0
def start(self):
'''
提供引擎启动的入口
:return:
'''
start_time = datetime.now()
logger.info("爬虫启动:{}".format(start_time))
self._start_engine()
end_time = datetime.now()
logger.info("爬虫结束:{}".format(start_time))
logger.info("爬虫一共运行:{}秒".format((end_time-start_time).total_seconds()))
logger.info("总的请求数量:{}".format(self.total_request_nums))
logger.info("总的响应数量:{}".format(self.total_response_nums))
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
for spider_mid in self.spider_mids:
start_request = spider_mid.process_request(start_request)
start_request.spider_name = spider_name
#2. 调用调度器的add_request方法,添加request对象到调度器中
self.scheduler.add_request(start_request)
#请求数+1
self.total_request_nums += 1
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
#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
#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)
#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):
#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:
for pipeline in self.pipelines:
result = pipeline.process_item(result,spider)
self.total_response_nums += 1
def _start_engine(self):
'''
具体的实现引擎的细节
:return:
'''
self._start_request()
while True:
time.sleep(0.001)
self._execute_request_response_item()
if self.total_response_nums>= self.total_request_nums:
break
......
小结
本小结重点
完成代码的重构,实现多个中间件的效果
3.3.8动态导入模块
目标
掌握模块的动态导入的方法
完成对现有代码的重构
-
目前代码存在的问题
通过前面的代码编写,我们已经能够完成大部分的任务,但是在main.py 中的代码非常臃肿,对应的我们可以再settings.py 配置哪些爬虫,管道,中间件需要开启,能够让整个代码的逻辑更加清晰 -
模块动态导入的方法
利用importlib.import_modle能够传入模块的路径,即可即可实现根据模块的位置的字符串,导入该模块的功能
在项目路径下新建test.py观察现象,插入如下代码观察现象 -
在settings中设置SPIDER,MIDDLEWARES
利用在配置文件中设置需要启用的爬虫类、管道类、中间件类,如下:项目中的settings.py
…
增加以下信息:
启用的爬虫类
SPIDERS = [
‘spiders.baidu.BaiduSpider’,
‘spiders.douban.DoubanSpider’
]启用的管道类
PIPELINES = [
‘pipelines.BaiduPipeline’,
‘pipelines.DoubanPipeline’
]启用的爬虫中间件类
SPIDER_MIDDLEWARES = []
启用的下载器中间件类
DOWNLOADER_MIDDLEWARES = []
利用importlib模块,在引擎中动态导入并实例化
…
from scrapy_plus.conf.settings import SPIDERS, PIPELINES, \
SPIDER_MIDDLEWARES,DOWNLOADER_MIDDLEWARES
class Engine:
'''完成对引擎模块的封装'''
def __init__(self):
'''
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.spiders = self._auto_import_instances(SPIDERS,isspider=True)
self.downloader = Downloader()
self.scheduler = Scheduler()
self.pipelines = self._auto_import_instances(PIPELINES)
self.spider_mids = self._auto_import_instances(SPIDER_MIDDLEWARES)
self.downloader_mids =self._auto_import_instances(DOWNLOADER_MIDDLEWARES)
self.total_request_nums = 0
self.total_response_nums = 0
def _auto_import_instances(self,path=[],isspider=False):
'''通过配置文件,动态导入类并实例化
path: 表示配置文件中配置的导入类的路径
isspider: 由于爬虫需要返回的是一个字典,因此对其做对应的判断和处理
'''
# 该方法不仅实例化动态导入爬虫,还有管道和中间件,而前者返回应是字典类型
if isspider is True:
instances = {}
else:
instances = [] # 存储对应类的实例对象
for p in path:
module_name = p.rsplit(".",1)[0] # 取出模块名称
cls_name = p.rsplit(".",1)[1] # 取出类名称
ret = importlib.import_module(module_name) # 动态导入爬虫模块
cls = getattr(ret, cls_name) # 根据类名称获取类对象
if isspider is True:
instances[cls.name] = cls()
else:
instances.append(cls()) # 实例化类对象
return instances # 返回类对象
…
3. 修改main.py
这样main.py就不用再导入并传入那么多对象了:
# project_dir/main.py
from scrapy_plus.core.engine import Engine # 导入引擎
if __name__ == '__main__':
engine = Engine() # 创建引擎对象
engine.start() # 启动引擎
小结
本小结重点
掌握importlib.import_module方法使用
完成代码的重构,实现通过配置文件导入模块
3.3.9去重原理
目标
掌握去重的方法
完成代码的重构,实现去重
- 去重的理解
其实就只是对以往数据进行一个比对,判断是否已经存在
可大致分为:对原始数据比对、对利用原始数据生成的特征值进行比对两种方式
原始数据比对很好理解,就是比对的时候参照值就是原始数据;而利用特征值比对,比如最典型的就是利用原始数据生成一个指纹,比对的参照值就是这个指纹,不是原始数据本身,主要应用于单个原始数据比较大的情况,另外一种常用就是布隆过滤器,这种方式原始利用一种"特征值",应用场景是海量数据的去重(但具有一定几率的误判)。
- 爬虫请求去重原理和实现
根据请求的url、请求方法、请求参数、请求体进行唯一标识,进行比对,由于这四个数据加到一起,内容较长,因此使用求指纹的方式来进行去重判断。
指纹计算方法,最常用的就是md5、sha1等hash加密算法,来求指纹
具体实现如下:
# scrapy_plus/core/scheduler.py
# 利用six模块实现py2和py3兼容
# coding=utf-8
# from six.moves.queue import Queue
from scrapy_plus.utils.log import logger
import w3lib.url
from hashlib import sha1
import six
from scrapy_plus.utils.queue import Queue
from scrapy_plus.utils.set import RedisFilterContainer,NoramlFilterContainer
from scrapy_plus.conf.settings import SCHEDULER_PERSIST
class Scheduler:
def __init__(self,collector):
self.queue = Queue()
self._filter_container = set()
self.repeate_request_num = 0 #统计重复的数量
def add_request(self, request):
if self._filter_request(request):
self.queue.put(request)
def get_request(self):
try:
return self.queue.get(False)
except:
return None
def _filter_request(self, request):
# 去重容器:存储已经发过的请求的特征 url 选用集合类型:set()
# 利用请求的url method data 求出一个指纹 利用sha1
request.fp = self._gen_fp(request)
if request.fp not in self._filter_container:
self._filter_container.add_fp(request.fp)
# logger.info("添加新的请求:<%s>" % request.url)
return True
else:
logger.info("发现重复的请求:<%s>" % request.url)
self.repeate_request_num +=1
return False
def _gen_fp(self, request):
'''请求去重,计算指纹'''
# 用来判断请求是否重复的属性:url,method,params,data
# 为保持唯一性,需要对他们按照同样的排序规则进行排序
# 1. url排序:借助w3lib.url模块中的canonicalize_url方法
url = w3lib.url.canonicalize_url(request.url)
# 2. method不需要排序,只要保持大小写一致就可以
method = request.method.upper()
# 4. data排序:如果有提供则是一个字典,如果没有则是空字典
data = request.data if request.data is not None else {}
data = sorted(data.items(), key=lambda x: x[0])
# 5. 利用sha1算法,计算指纹
s1 = sha1()
# 为了兼容py2和py3,利用_to_bytes方法,把所有的字符串转化为字节类型
s1.update(self._to_bytes(url))
s1.update(self._to_bytes(method))
s1.update(self._to_bytes(str(data)))
fp = s1.hexdigest()
return fp
@staticmethod
def _to_bytes(string):
if six.PY2:
if isinstance(string, str):
return string
else: #如果是python2的unicode类型,转化为字节类型
return string.encode("utf-8")
elif six.PY3:
if isinstance(string, str): #如果是python3的str类型,转化为字节类型
return string.encode("utf-8")
else:
return string
-
修改engine模块
现在统计了总的重复数量,所以,在engine中阻塞的位置判断程序结束的条件:成功的响应数+重复的数量>=总的请求数量程序结束#scrapy_plus/core/engine.py
…
def _start_engine(self):
‘’’
具体的实现引擎的细节
:return:
‘’’
self._start_request()
while True:
time.sleep(0.001)
self._execute_request_response_item()
#成功的响应数+重复的数量>=总的请求数量 程序结束
if self.total_response_nums+self.scheduler.repeat_request_number >= self.total_request_nums:
break
…
小结
本小结重点
掌握sha1等加密方法
理解去重过程中警醒url排序,字符串的处理,字典的排序的原因
实现整个代码的重构
3.3.10利用线程池实现异步
目标
掌握线程池的使用
使用多线程重构代码
-
异步任务分析:
1.1. 在引擎中,实现的主要功能如下图,
上面的方框中是关于start_urls中的请求处理
下面的方框中是一个请求从调度器取出请求,进行下载之后交给爬虫解析再交给管道的过程 在以上两个过程中,他们之间没有直接的联系,都可以通过异步多线程的方式分别实现,加快程序执行的速度 异步任务分析
1.2 那么具体该如何实现该逻辑
multiprocessing.dummy 提供的Pool 类具有apply_async的方法,能够异步的执行让他运行的函数
apply_async方法能够接收一个callback,即其中的函数执行完成之后继续会做的事情,在这里,我们可以定义一个callback,其中让他继续执行上图中下方框的任务,同时给他一个停止条件, -
利用回调实现循环
利用回调实现递归,可以达到循环的目的scrapy_plus/core/engine.py
import time
from multiprocessing.dummy import Pool # 导入线程池对象
import importlib
from datetime import datetimefrom scrapy_plus.http.request import Request # 导入Request对象
from scrapy_plus.utils.log import logger # 导入logger
from scrapy_plus.conf import settingsfrom .scheduler import Scheduler
from .downloader import Downloaderclass Engine(object):
‘’’
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)
‘’’def init(self):
self.scheduler = Scheduler() # 初始化调度器对象 self.downloader = Downloader() # 初始化下载器对象 self.spiders = self._auto_import_instances(settings.SPIDERS, True) # 动态导入并实例化爬虫对象 self.pipelines = self._auto_import_instances(settings.PIPELINES) # 动态导入并实例化管道对象 self.spider_mids = self._auto_import_instances(settings.SPIDER_MIDDLEWARES) # 动态导入并实例化爬虫中间件对象 self.downloader_mids = self._auto_import_instances(settings.DOWNLOADER_MIDDLEWARES) # 动态导入并实例化下载器中间件对象 self.total_response_number = 0 self.pool = Pool() # 创建线程池对象 self.running = False # 记录是否退出程序的状态
def start(self):
‘’‘启动整个引擎’’’
start = datetime.now() # 起始时间
logger.info(“开始运行时间:%s” % start) # 使用日志记录起始运行时间
self._start_engine()
stop = datetime.now() # 结束时间
logger.info(“开始运行时间:%s” % stop) # 使用日志记录结束运行时间
logger.info(“耗时:%.2f” % (stop - start).total_seconds()) # 使用日志记录运行耗时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():
for start_request in spider.start_requests():
# 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
for spider_mid in self.spider_mids:
start_request = spider_mid.process_request(start_request)
start_request.spider_name = spider_name # 为请求对象绑定它所属的爬虫的名称
self.scheduler.add_request(start_request)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’’’
# 3. 从调度器获取请求对象,交给下载器发起请求,获取一个响应对象
request = self.scheduler.get_request()
if request is None:
return
# 利用下载器中间件预处理请求对象
for downloader_mid in self.downloader_mids:
request = downloader_mid.process_request(request)
# 4. 利用下载器发起请求
response = self.downloader.get_response(request)
# 利用下载器中间件预处理响应对象
for downloader_mid in self.downloader_mids:
response = downloader_mid.process_response(response)spider = self.spiders[request.spider_name] # 根据请求的spider_name属性,获取对应的爬虫对象
5. 利用爬虫的解析响应的方法,处理响应,得到结果
parse = getattr(spider, request.parse) # 获取对应的解析函数
results = parse(response) # parse函数的返回值是一个容器,如列表或者生成器对象
for result in results:
# 6. 判断结果对象
# 6.1 如果是请求对象,那么就再交给调度器
if isinstance(result, Request):
# 利用爬虫中间件预处理请求对象
for spider_mid in self.spider_mids:
result = spider_mid.process_request(result)
result.spider_name = request.spider_name # 为请求对象绑定它所属的爬虫的名称
self.scheduler.add_request(result)
# 6.2 否则,就交给管道处理
else:
# 利用爬虫中间件预处理数据对象
for spider_mid in self.spider_mids:
result = spider_mid.process_item(result)
for pipeline in self.pipelines: # 多个管道对象,轮流处理item对象
result = pipeline.process_item(result, spider)统计响应总数
self.total_response_number += 1
def _callback(self, temp):
‘’‘执行新的请求的回调函数,实现循环’’’
if self.running is True: # 如果还没满足退出条件,那么继续添加新任务,否则不继续添加,终止回调函数,达到退出循环的目的
self.pool.apply_async(self._execute_request_response_item, callback=self._callback)def _start_engine(self):
‘’‘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)’’’
self.running = True # 启动引擎,设置状态为True
# 向调度器添加初始请求
self.pool.apply_async(self._start_requests) # 使用异步self.pool.apply_async(self._execute_request_response_item, callback=self._callback) # 利用回调实现循环 # 设置循环,处理多个请求 while True: time.sleep(0.0001) # 避免cpu空转,消耗性能 # 根据请求、发起请求获取响应、解析响应、处理响应结果 # self._execute_request_response_item() # 设置退出条件:当请求数和响应数相等时,退出循环 # 因为异步,需要增加判断,请求数不能为0 if self.total_response_number >= self.scheduler.total_request_number and self.scheduler.total_request_number != 0: self.running = False # 满足循环退出条件后,设置运行状态为False break self.pool.close() self.pool.join()
-
实现异步并发控制
在配置文件中设置最大并发数,并在引擎中使用
scrapy_plus/core/engine.py
class Engine(object):
......
def _start_engine(self):
self.running = True
'''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)'''
# 向调度器添加初始请求
self.pool.apply_async(self._start_requests) # 使用异步
# 控制最大并发数
for i in range(settings.MAX_ASYNC_NUMBER):
self.pool.apply_async(self._execute_request_response_item, callback=self._callback) # 利用回调实现循环
while True:
time.sleep(0.0001) # 避免cpu空转,消耗性能
# 设置退出条件:当请求数和响应数相等时,退出循环
# 因为异步,需要增加判断,请求数不能为0
if self.total_response_number >= self.scheduler.total_request_number and self.scheduler.total_request_number != 0:
self.running = False # 满足循环退出条件后,设置运行状态为False
break
self.pool.close()
self.pool.join()
- 对异步任务进行异常控制,增加异常回调函数error_callback
scrapy_plus/core/engine.py
class Engine(object):
......
def _callback(self, temp):
'''执行新的请求的回调函数,实现循环'''
if self.running is True: # 如果还没满足退出条件,那么继续添加新任务,否则不继续添加,终止回调函数,达到退出循环的目的
self.pool.apply_async(self._execute_request_response_item, callback=self._callback, error_callback=self._error_callback)
def _error_callback(self, exception):
'''异常回调函数'''
try:
raise exception # 抛出异常后,才能被日志进行完整记录下来
except Exception as e:
logger.exception(e)
def _start_engine(self):
self.running = True
'''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)'''
# 向调度器添加初始请求
self.pool.apply_async(self._start_requests, error_callback=self._error_callback) # 使用异步
for i in range(settings.MAX_ASYNC_NUMBER):
self.pool.apply_async(self._execute_request_response_item, callback=self._callback, error_callback=self._error_callback) # 利用回调实现循环
while True:
time.sleep(0.0001) # 避免cpu空转,消耗性能
# 设置退出条件:当请求数和响应数相等时,退出循环
# 因为异步,需要增加判断,请求数不能为0
if self.total_response_number >= self.scheduler.total_request_number and self.scheduler.total_request_number != 0:
self.running = False # 满足循环退出条件后,设置运行状态为False
break
self.pool.close()
self.pool.join()
小结
本小结重点
掌握线程池模块及其方法的使用
完成代码的重构,提高框架的整体效率
3.3.11使用gevent的Pool实现异步并发
目标
掌握gevent中Pool基本使用
实现代码的重构,使用gevent来进一步提高效率
-
为什么使用gevent
对于I/O密集型任务,gevent能对性能做很大提升的,协程的创建、调度开销都比线程小的多。 -
通过配置文件设置属性,来判断所使用的异步方式
异步方式 thread、coroutine
ASYNC_TYPE = ‘coroutine’
-
让gevent的Pool和线程池Pool的接口一致
因此需要单独对gevent的Pool进行一下修改,具体如下: 在scrapy_plus下创建async包,随后创建coroutine.py模块scrapy_plus/async/coroutine.py
‘’’
由于gevent的Pool的没有close方法,也没有异常回调参数
引出需要对gevent的Pool进行一些处理,实现与线程池一样接口,实现线程和协程的无缝转换
‘’’
from gevent.pool import Pool as BasePool
import gevent.monkey
gevent.monkey.patch_all() # 打补丁,替换内置的模块class Pool(BasePool):
‘’‘协程池
使得具有close方法
使得apply_async方法具有和线程池一样的接口
‘’’
def apply_async(self, func, args=None, kwds=None, callback=None, error_callback=None):
return super().apply_async(func, args=args, kwds=kwds, callback=callback)def close(self):
‘’‘什么都不需要执行’’’
pass -
在引擎中使用上:
scrapy_plus/core/engine.py
import time
import importlib
from datetime import datetimefrom scrapy_plus.http.request import Request # 导入Request对象
from scrapy_plus.utils.log import logger # 导入logger
from scrapy_plus.conf import settings判断使用什么异步模式,改用对应的异步池
if settings.ASYNC_TYPE == ‘thread’:
from multiprocessing.dummy import Pool # 导入线程池对象
elif settings.ASYNC_TYPE == ‘coroutine’:
from scrapy_plus.async.coroutine import Pool
else:
raise Exception(“不支持的异步类型:%s, 只能是’thread’或者’coroutine’”%settings.ASYNC_TYPE)注意:
由于打patch补丁是为了替换掉socket为非阻塞的
而下载器中正好使用了requests模块,如果在这之后导入协程池,会导致requests中使用的socket没有被替换成功
从而有可能导致使用出现问题
from .scheduler import Scheduler
from .downloader import Downloaderclass Engine(object):
…
小结
本小结重点
掌握gevent.monkey_path的使用,注意其中的导入顺序
了解gevent.pool的使用
完成gevent版本的异步实现