让Scrapy的Spider更通用

Posted 2020-08-03

1，引言

《Scrapy的架构初探》一文所讲的Spider是整个架构中最定制化的一个部件，Spider负责把网页内容提取出来，而不同数据采集目标的内容结构不一样，几乎需要为每一类网页都做定制。我们有个设想：是否能做一个比较通用的Spider，把定制部分再进一步隔离出去？

GooSeeker有一个爬虫群模式，从技术实现层面来考察的话，其实就是把爬虫软件做成一个被动接受任务的执行单元，给他什么任务他就做什么任务，也就是说同一个执行单元可以爬多种不同的网站。而分配任务的是GooSeeker会员中心的爬虫罗盘，实现集中管理分布执行。

开源Python即时网络爬虫项目同样也要尽量实现通用化。主要抓取以下2个重点：

• 网页内容提取器从外部注入到Spider中，让Spider变通用：参看《Python即时网络爬虫：API说明》，通过API从GooSeeker会员中心获得网页内容提取器，可以充分利用MS谋数台的直观标注快速生成提取器的能力。

• 抓取目标网址不再存于Spider，而是从外部获得：GooSeeker有个基于大数据平台的网址库系统，还有爬虫罗盘可观察网址的抓取状态，也有用户界面添加删除网址，把Spider进一步做成一个执行机构。

下面我们将进一步讲解实现原理，以助于读者阅读源码。


2，爬虫群模式示意图
中间蓝色部分就是GooSeeker会员中心的地址库和爬虫罗盘。网址和提取规则本来应该硬编码到Spider中的，现在隔离出来，由会员中心进行管理，那么Spider就很容易做通用了。


3，通用Spider的主要功能

地址库和提取规则隔离出来以后，Scrapy的Spider可以专注于以下流程：

• 通过API从GooSeeker会员中心获取内容提取器：这个API的url可以硬编码到Spider中，放在start_urls列表的位置， 这里本来是放目标网页地址的，现在换成一个固定的API地址，在这一点上，Spider变通用了

• 在第一个parse（）过程，不是解析目标网页内容，而是把API中获得内容提取器注入到gsExtractor中。

• 在第一个parse（）过程，为第二个API构造一个Request，目的是从GooSeeker会员中心获取要爬取的网址

• 在第二个parse（）过程，用目标网址构造一个Request，这才是真正的交给Loader去下载目标网页

• 在第三个parse（）过程，利用gsExtractor提取网页内容

• 在第三个parse（）过程，再次为第二个API构造一个Request，获得下一个目标网址

• 跳到4，一直循环，直到GooSeeker会员中心的地址库都用完了。

4，接下来的工作

1，按照上述设想编写和调测Scrapy的通用Spider
2，研究是否可以更加通用，把GooSeeker的爬虫群调度都引入到Spider中，也就是在通过第一个API获得提取器之前再增加一个获得爬虫群调度任务的过程，这样，把所有Spider都变成被动接受任务的工作模式，每个Spider是不固定抓取规则的。

5，相关文档

1， Python即时网络爬虫项目: 内容提取器的定义
2， Scrapy：python3下的第一次运行测试

6，集搜客GooSeeker开源代码下载源

1， 开源Python即时网络爬虫GitHub源

7，文档修改历史

2016-07-06：V1.0，首次发布
2016-07-06：V1.1，编辑修改，补充过程描述文字

本文出自 “fullerhua的博客” 博客，谢绝转载！