爬虫 - scrapy执行流程

Posted 2020-11-21 zhaohuhu

整体流程

- 引擎找到要执行的爬虫，并执行爬虫的 start_requests 方法，并的到一个 迭代器。
- 迭代器循环时会获取Request对象，而request对象中封装了要访问的URL和回调函数。
- 将所有的request对象(任务)放到调度器中，用于以后被下载器下载。

- 下载器去调度器中获取要下载任务（就是Request对象），下载完成后执行回调函数。

- 回到spider的回调函数中，
       yield Request()
       yield Item()

具体流程

 

 1 1. scrapy crawl chouti --nolog
 2      
 3 2. 找到 SCHEDULER = "scrapy_redis.scheduler.Scheduler" 配置并实例化调度器对象
 4     - 执行Scheduler.from_crawler
 5     - 执行Scheduler.from_settings
 6         - 读取配置文件：
 7             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
 8             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
 9             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）。
10         - 读取配置文件：  
11             SCHEDULER_QUEUE_KEY          # %(spider)s:requests
12             SCHEDULER_QUEUE_CLASS        # scrapy_redis.queue.FifoQueue
13             SCHEDULER_DUPEFILTER_KEY     # ‘%(spider)s:dupefilter‘
14             DUPEFILTER_CLASS             # ‘scrapy_redis.dupefilter.RFPDupeFilter‘
15             SCHEDULER_SERIALIZER         # "scrapy_redis.picklecompat"
16  
17         - 读取配置文件：
18             REDIS_HOST = ‘140.143.227.206‘                            # 主机名
19             REDIS_PORT = 8888                                   # 端口
20             REDIS_PARAMS  = {‘password‘:‘beta‘}                                  # Redis连接参数             默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
21             REDIS_ENCODING = "utf-8"     
22     - 示例Scheduler对象
23      
24 3. 爬虫开始执行起始URL
25     - 调用 scheduler.enqueue_requests()
26         def enqueue_request(self, request):
27             # 请求是否需要过滤？
28             # 去重规则中是否已经有？（是否已经访问过，如果未访问添加到去重记录中。）
29             if not request.dont_filter and self.df.request_seen(request):
30                 self.df.log(request, self.spider)
31                 # 已经访问过就不要再访问了
32                 return False
33              
34             if self.stats:
35                 self.stats.inc_value(‘scheduler/enqueued/redis‘, spider=self.spider)
36             # print(‘未访问过，添加到调度器‘, request)
37             self.queue.push(request)
38             return True
39      
40 4. 下载器去调度器中获取任务，去下载
41      
42     - 调用 scheduler.next_requests()
43         def next_request(self):
44             block_pop_timeout = self.idle_before_close
45             request = self.queue.pop(block_pop_timeout)
46             if request and self.stats:
47                 self.stats.inc_value(‘scheduler/dequeued/redis‘, spider=self.spider)
48             return request
49