Python学习之路-爬虫进阶:爬虫框架雏形

代码实现分析

明确模块之间的逻辑关系

五个核心模块和三个内置的对象是关键模块，需要优先实现

先抛开中间件，分析下它们之间的逻辑关系是：

1. 构造spider中start_urls中的请求
2. 传递给调取器进行保存，之后从中取出
3. 取出的request对象交给下载的进行下载，返回response
4. response交给爬虫模块进行解析，提取结果
5. 如果结果是request对象，重新交给调度器，如果结果是item对象，交给管道处理

以上的逻辑是在引擎中完成的

设计代码结构

1. 首先给框架起一个名称，如：

    scrapy_plus
   

2. 继续分类以及解耦的设计思想：

   • 把核心模块放置在一起

   • 请求对象模块和响应对象模块统一作为http模块

   • 数据对象单独作为一个分类

     代码结构如下：

     -- scrapy_plus-- __init__.py-- core-- __init__.py-- spider.py-- scheduler.py-- downloader.py-- pipeline.py-- engine.py-- http-- __init__.py-- request.py-- response.py-- item.py
     

到这里，我们完成了框架的大致结构是设计，那么接下来我们就需要实现模块中的具体内容了

request对象的封装

对HTTP基本的请求属性进行简单封装，实现一个Request对象

# scrapy/http/request.py
'''封装Request对象'''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):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

response对象的封装

对HTTP基本的响应属性进行简单封装，实现一个Response对象

# scrapy/http/response.py
'''封装Response对象'''class Response(object):'''框架内置Response对象'''def __init__(self, url, status_code, headers, body):self.url = url    # 响应urlself.status_code = status_code    # 响应状态码self.headers = headers    # 响应头self.body = body    # 响应体

item对象的封装

对数据进行简单封装，实现Item对象：

# scrapy/item.py
'''item对象'''class Item(object):'''框架内置Item对象'''def __init__(self, data):# data表示传入的数据self._data = data    # 设置为简单的私有属性@propertydef data(self):'''对外提供data进行访问，一定程度达到保护的作用'''return self._data

其中property的理解：

• property 能够让调用一个方法和调用一个属性一样容易，即不用打括号
• property 能够让这个属性的值是只读的，即不能够对其进行重新赋值，达到一定的保护的目的

spider模块的封装

爬虫组件功能

• 构建请求信息(初始的)，也就是生成请求对象(Request)
• 解析响应对象，返回数据对象(Item)或者新的请求对象(Request)

实现方案

• 实现start_requests方法，返回请求对象
• 实现parse方法，返回Item对象或者新的请求对象

# 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_url = 'http://www.baidu.com'    # 默认初始请求地址   #这里以请求百度首页为例def start_requests(self):'''构建初始请求对象并返回'''return Request(self.start_url)def parse(self, response):'''解析请求并返回新的请求对象、或者数据对象'''return Item(response.body)   # 返回item对象

调度器模块的封装

调度器功能

• 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：
• 对请求对象进行去重判断：实现去重方法_filter_request，该方法对内提供，因此设置为私有方法

实现方案

• 利用队列FIFO存储请求；
• 实现add_request方法添加请求，接收请求对象作为参数；
• 实现get_request方法对外提供从队列取出的请求对象

# scrapy_plus/core/scheduler.py
'''调度器模块封住'''
# 利用six模块实现py2和py3兼容
from six.moves.queue import Queueclass 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()def add_request(self, request):'''添加请求对象'''self.queue.put(request)def get_request(self):'''获取一个请求对象并返回'''request = self.queue.get()return requestdef _filter_request(self):'''请求去重'''# 暂时不实现pass

下载器模块的封装

下载器功能

根据请求对象(Request)，发起HTTP、HTTPS网络请求，拿到HTTP、HTTPS响应，构建响应对象(Response)并返回

实现方案

• 利用requests、urllib2等模块发请求，这里使用requests模块
• 实现get_response方法，接收request请求对象作为参数，发起请求，获取响应

# scrapy_plus/core/downloader.py
'''下载器组件'''
import requests
from scrapy_plus.http.response import Responseclass Downloader(object):'''根据请求对象(Request)，发起HTTP、HTTPS网络请求，拿到HTTP、HTTPS响应，构建响应对象(Response)并返回'''def get_response(self, request):'''发起请求获取响应的方法'''# 1. 根据请求对象，发起请求，获取响应#    判断请求方法：if request.method.upper() == 'GET':resp = requests.get(request.url, headers=request.headers,\params=request.params)elif request.method.upper() == 'POST':resp = requests.post(request.url,headers=request.headers,\params=request.params,data=request.data)else:# 如果方法不是get或者post，抛出一个异常raise Exception("不支持的请求方法")# 2. 构建响应对象,并返回return Response(resp.url, resp.status_code, resp.headers, resp.content)

管道模块的封装

管道组件功能

负责处理数据对象

实现方案

• 实现process_item方法，接收数据对象作为参数

# scrapy_plus/core/pipeline.py
'''管道组件封装'''class Pipeline(object):'''负责处理数据对象(Item)'''def process_item(self, item):'''处理item对象'''print("item: ", item)

引擎模块的封装

引擎组件功能

• 对外提供整个的程序的入口
• 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)

实现方案

• 利用init方法初始化其他组件对象，在内部使用
• 实现start方法，由外部调用，启动引擎
• 实现_start_engine方法，完成整个框架的运行逻辑
• 具体参考上一小节中雏形结构引擎的逻辑

# scrapy_plus/core/engine.py
'''引擎组件'''
from scrapy_plus.http.request import Request    # 导入Request对象from .scheduler import Scheduler
from .downloader import Downloader
from .pipeline import Pipeline
from .spider import Spiderclass 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.spider = spider()    # 接收爬虫对象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def start(self):'''启动整个引擎'''self._start_engine()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)'''# 1. 爬虫模块发出初始请求start_request = self.spider.start_requests()# 2. 把初始请求添加给调度器self.scheduler.add_request(start_request)# 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()# 4. 利用下载器发起请求response = self.downloader.get_response(request)# 5. 利用爬虫的解析响应的方法，处理响应，得到结果result = self.spider.parse(response)# 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):self.scheduler.add_request(result)# 6.2 否则，就交给管道处理else:self.pipeline.process_item(result)

实现中间件模块

为什么需要中间件

中间件相当于一个钩子，能够在其中对request对象和response响应根据特定的需求进行一些特定的处理 例如：对于所有的request对象，我们需要在其中对他添加代理或者是随机的User-Agent都可以在中间件中完成

完成爬虫中间件spider_middlewares

# scrapy_plus/middlewares/spider_middlewares.py
class SpiderMiddleware(object):'''爬虫中间件基类'''def process_request(self, request):'''预处理请求对象'''print("这是爬虫中间件：process_request方法")return requestdef process_response(self, response):'''预处理数据对象'''print("这是爬虫中间件：process_response方法")return response

完成下载downloader_middlewares

# scrapy_plus/middlewares/downloader_middlewares.py
class DownloaderMiddleware(object):'''下载器中间件基类'''def process_request(self, request):'''预处理请求对象'''print("这是下载器中间件：process_request方法")return requestdef process_response(self, response):'''预处理响应对象'''print("这是下载器中间件：process_response方法")return response

修改engine.py

加入中间件模块

# scrapy_plus/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)
'''
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 DownloaderMiddlewarefrom .spider import Spider
from .scheduler import Scheduler
from .downloader import Downloader
from .pipeline import Pipelineclass Engine(object):def __init__(self):......self.spider_mid = SpiderMiddleware()    # 初始化爬虫中间件对象self.downloader_mid = DownloaderMiddleware()    # 初始化下载器中间件对象......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)'''# 1. 爬虫模块发出初始请求start_request = self.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)self.scheduler.add_request(start_request)# 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()# 利用下载器中间件预处理请求对象request = self.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response = self.downloader_mid.process_response(response)# 5. 利用爬虫的解析响应的方法，处理响应，得到结果result = self.spider.parse(response)# 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)self.scheduler.add_request(result)# 6.2 否则，就交给管道处理else:self.pipeline.process_item(result)

观察结果

运行main.py文件，查看结果

运行结果：

这是爬虫中间件：process_request方法
这是下载器中间件：process_request方法
这是下载器中间件：process_request方法
这是爬虫中间件：process_response方法
item对象: <scrapy_plus.item.Item object at 0x10759eef0>