爬虫流程

Posted 2020-12-11 xiongfanyong

整个爬虫流程
    1、scrapy crawl chouti --nolog
    
    2、找到 SCHEDULER = "scrapy_redis.scheduler.Scheduler" 配置并实例化调试器对象
        - 执行Scheduler.from_crawler
        - 执行Scheduler.from_settings
            -读取配置文件：
                SCHEDULER_PERSIST            # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
                SCHEDULER_FLUSH_ON_START     # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
                SCHEDULER_IDLE_BEFORE_CLOSE  # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到） 
            -继续读取配置文件：
                SCHEDULER_QUEUE_KEY = ‘%(spider)s:requests‘     # 调度器中请求存放在redis中的key
                SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.PriorityQueue‘ # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），
                                                                             FifoQueue（列表）、LifoQueue（列表）
                SCHEDULER_DUPEFILTER_KEY = ‘%(spider)s:dupefilter‘  # 去重规则，在redis中保存时对应的key
                SCHEDULER_DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" 
                SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"  # 对保存到redis中的数据进行序列化，默认使用pickle 
            -再继续读取配置文件：
                # REDIS_HOST = ‘localhost‘     # 主机名
                # REDIS_PORT = 6379            # 端口
                # REDIS_PARAMS  = {}           # Redis连接参数 默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
                # REDIS_ENCODING = "utf-8"     # redis编码类型
        - 实例化Scheduler对象
    
    3、爬虫开始执行起始URL
        - 调用 scheduler.enqueue_request方法
                def enqueue_request(self, request):
                    # 请求是否需要过滤               #去重规则中是否已经有(是否已经访问过)
                    if not request.dont_filter and self.df.request_seen(request):
                        self.df.log(request, self.spider)
                        return False  # 已经访问过就不要再访问了
                    if self.stats:
                        self.stats.inc_value(‘scheduler/enqueued/redis‘, spider=self.spider)
                    self.queue.push(request) # 未访问过就加到队列里面去等调试器来调用 
                    return True
    4、下载器去调度器中获取任务， 去下载
        -调用 scheduler.next_requests()
                def next_request(self):
                    block_pop_timeout = self.idle_before_close
                    request = self.queue.pop(block_pop_timeout)
                    if request and self.stats:
                        self.stats.inc_value(‘scheduler/dequeued/redis‘, spider=self.spider)
                    return request