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:
- 构造spider中start_urls中的请求
- 传递给调取器进行保存,之后从中取出
- 取出的request对象交给下载的进行下载,返回response
- response交给爬虫模块进行解析,提取结果
- 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
-
首先给框架起一个名称,如:
scrapy_plus
-
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>