如何自己实现一个scrapy框架（三）

之前的两篇文章讲解了如何实现一个框架雏形，但是scrapy框架的强大功能一个都没有实现，接下来一个一个实现

一、多爬虫实现之一 – 多请求实现

在爬虫的时候通常都是多个请求同时进行

1、多请求实现分析：

2、 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
...

3 实现发起多个请求

3.1 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

3.2 修改引擎 engine.py

流程：
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 # 此处新增 
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()

        # 此处新增
        self.total_request_nums = 0
        self.total_response_nums = 0


    def start(self):
        '''
        提供引擎启动的入口
        :return:
        '''
        # 此处新增+修改
        start_time = datetime.now()  # 起始时间
        logger.info("开始运行时间：%s" % start_time)  # 使用日志记录起始运行时间
        self._start_engine()
        stop = datetime.now()  # 结束时间
        end_time = datetime.now()
        logger.info("爬虫结束：{}".format(end_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))

    # 此处新增
    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

    # 此处新增
    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

    # 此处修改
    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()

            # 程序退出条件
            if self.total_response_nums>= self.total_request_nums:
                break

上面为什么要设置这个退出条件

3.3 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 # 此处新增

    def add_request(self, request):
        '''添加请求对象'''
        self.queue.put(request)
        # 统计请求总数
        self.total_request_number += 1  # 此处新增

    # 此处修改
    def get_request(self):
        '''获取一个请求对象并返回'''
        try:
            # 设置为非阻塞
            request = self.queue.get(False)
        except:
            return None
        else:
            return request

    def _filter_request(self):
        '''请求去重'''
        pass

这里队列的get()设置为block=False，解释一下：如果队列为空且block为True，get()就使调用线程暂停，直至有项目可用。如果队列为空且block为False，队列将引发Empty异常
这里设置为False不阻塞，即使队列空了直接返回None，不阻碍其他方法的运行

二、多爬虫实现之二 – 爬虫实现多个解析函数

1 爬虫实现多个解析函数的意义

2 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 # 此处新增
import json # 此处新增

from lxml import etree # 此处修改requirments.txt文件 # 此处新增


class Response(object):
    '''框架内置Response对象'''
    def __init__(self, url, body， headers， status_code):
        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

    # 此处新增
    def xpath(self, rule):
        '''提供xpath方法'''
        html = etree.HTML(self.body)
        return html.xpath(rule)

    # 此处新增
    @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)

    # 此处新增
    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)

3 增加爬虫：豆瓣电影top250

3.1 修改项目中的spiders.py

# 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

3.2 修改框架中的main.py，运行查看效果

from scrapy_plus.core.engine import Engine    # 导入引 擎

from spiders import BaiduSpider, DoubanSpider


if __name__ == '__main__':
    # spider = BaiduSpider()    # 实例化爬虫对象
    spider = DoubanSpider()
    engine = Engine(spider)    # 传入爬虫对象
    engine.start()    # 启动引擎

运行结果：

这是爬虫中间件：process_request方法
这是爬虫中间件：process_request方法
这是爬虫中间件：process_request方法
这是爬虫中间件：process_request方法
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_response方法
这是爬虫中间件：process_response方法

成功实现发送多个解析

4 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'''

    # 此处修改，加入了meta参数和parse参数
    def __init__(self, url, method='GET', headers=None, params=None, data=None, parse='parse', meta={}):
        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

        # 此处新增
        self.parse = parse    # 指明它的解析函数, 默认是parse方法
        self.meta = meta

修改response.py

# scrapy_plus/http/response.py
......
class Response:
    '''完成对响应对象的封装'''

    # 此处修改
    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

        # 此处新增
        self.meta = meta

5 在引擎中需要动态的判断和获取对应的解析函数

利用getattr()函数
注意meta的传递时机

# 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)

        # 此处新增
        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)

        # 此处新增
        # parse方法
        parse = getattr(self.spider, request.parse) # getattr(类, 类中方法名的字符串) = 类方法对象

        #5. 调用爬虫的parse方法，处理响应
        for result in parse(response): # 此处修改
            #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

        ......

6 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

运行项目中main.py查看效果

7 相应的去修改框架和项目中的strat_urls和start_requests()俩个名字

注意:此处报类型异常 是因为/scrapy_plus/core/spider模块中的start_urls和start_requests()！注意最后多了个s！