标准爬虫初探,来自Python之父的大餐!

Posted lcchuguo

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了标准爬虫初探,来自Python之父的大餐!相关的知识,希望对你有一定的参考价值。

首先不得不承认自己做了标题党。本文实质是分析500lines or less的crawlproject,这个project的地址是https://github.com/aosabook/500lines,有兴趣的同学能够看看。是一个非常高质量的开源project集合,据说要写一本书,只是看着代码提交记录。这本书面世时间应该不会非常快。这篇文章写得非常渣,错误一定要提啊。。

 

  网络爬虫从一个或若干初始网页的URL開始。获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。

简单的能够将网络爬虫理解为一个带有终止条件的while循环,在条件不触发的情况下,爬虫就不断的从每一个以及获取的url发送请求获取页面数据。然后解析当前页面的url,不断迭代下去。在crawlproject其中,完毕这一过程的是crawler类,他并未採用广度优先或是深度优先的爬虫,在当前请求失败的时候就通过python挂起当前任务,然后在之后再进行调度。这能够勉强理解为基于网络连通性的A*搜索,其执行方式例如以下所看到的:

技术分享

  

  对一个初始化后的crawler对象。其中存在一个url。一个todo集合,存储尚未继续呢爬虫操作的url;一个busy集合。保存等待其它爬虫数据的url集合;一个done集合。保存完毕页面爬取的url集合。

爬虫的核心就是这个死循环。首先爬虫从todo集合其中获取一个url。然后初始化fetch对象用于获取页面上的url。最后进行任务调度运行一个url请求任务。这段流程的代码例如以下所看到的。

技术分享
 1 @asyncio.coroutine
 2 def crawl(self):
 3         """Run the crawler until all finished."""
 4         with (yield from self.termination):
 5             while self.todo or self.busy:
 6                 if self.todo:
 7                     url, max_redirect = self.todo.popitem()
 8                     fetcher = Fetcher(url,
 9                                       crawler=self,
10                                       max_redirect=max_redirect,
11                                       max_tries=self.max_tries,
12                                       )
13                     self.busy[url] = fetcher
14                     fetcher.task = asyncio.Task(self.fetch(fetcher))
15                 else:
16                     yield from self.termination.wait()
17         self.t1 = time.time()
技术分享

   

  一个爬虫非常明显不会只由一个死循环构成,在crawl外层须要其它模块支持其操作,包含网络连接。url获取。任务调度等任务。整个crawlproject的调度框架例如以下所看到的:

技术分享

 

  在crawl创建初始化时候首先创建一个ConnectionPool:

 

  self.pool = ConnectionPool(max_pool, max_tasks)

  当中保留属性connections和queue,分别保存连接的集合和队列。用于兴许调度;而connection中存储host和port号并支持ssl。通过asyncio.open_connection()获取连接。

  self.connections = {} # {(host, port, ssl): [Connection, ...], ...}
  self.queue = [] # [Connection, ...]

  任务运行时crawl方法首先通过loop.run_until_complete(crawler.crawl())载入到event loop其中,然后用上述语句构建的链接池ConnectionPool中保存connection对象。获取连接对象然后通过fetcher对象的fetch方法进行数据爬取。对于一个url请求任务,使用fetcher进行处理,调度则是用asyncio.Task方法进行的调度。其中fetch方法获取被挂起的generator。交给asyncio.Task运行。

  通过yield from和asynico.coroutine语句。将这种方法变为运行过程中的generator。在运行fetcher.fetch()方法时候假设被挂起,则通过调度程序进行处理。

  fetcher.fetch()方法是网络爬虫的核心方法,负责从网络上获取页面数据并将其中的url载入到todo集合其中,该方法尝试获取页面数据当尝试次数达到上限时停止操作,获取成功的html数据和外部链接以及重定向链接都将被存储。

在url链接次数到达上限的情况下,将停止这个url的链接操作,输出出错日志。

之后针对页面的不同状态,採取不同的处理方式。

  以下的代码是crawling.py文件从333行開始(crawling.py)到相应方法结束的区域,通过对页面status的推断选择不同的处理方式。

当中通过正則表達式,获取页面上的url信息。这里选择为href开头的字符串,核心url提取的代码在以下: 

技术分享
 1 # Replace href with (?:href|src) to follow image links.
 2 self.urls = set(re.findall(r(?i)href=["\‘]?([^\s"\‘<>]+),body))
 3 if self.urls:
 4     logger.warn(got %r distinct urls from %r,len(self.urls), self.url)
 5     self.new_urls = set()
 6     for url in self.urls:
 7         url = unescape(url)
 8         url = urllib.parse.urljoin(self.url, url)
 9         url, frag = urllib.parse.urldefrag(url)
10         if self.crawler.add_url(url):
11             self.new_urls.add(url)            
技术分享

  通过代码,非常明显就能够看出正则匹配结果存储在urls集合其中并通过for循环依次进行处理。增加到当前fetcher的crawler对象的todo集合其中。

 

  在之前分析的基础上对主文件crawl.py进行进一步分析,能够得到总体爬虫的架构:

技术分享

  在主文件其中首先通过argparse.ArgumentParser进行解析,设置控制台的数据读取和控制,其中选择了IOCP作为windows环境下的event loop对象。主方法,首先通过parse_args返回存储命令行数据的字典,假设没有root属性,则给出提示。然后配置日志级别,指示日志的输出级别。低于最低级别的不输出。

  通过入口函数main方法进入程序的时候,首先依据来自命令行參数对Crawler进行初始化。同一时候获取使用asyncioloop event对象,运行run_until_complete方法。会一直运行到这个程序结束运行。

  除此之外reporting.py用于打印当前任务运行情况。

当中fetcher_report(fetcher, stats, file=None)打印这个url的工作状态。url就是fetcher的url属性;report(crawler, file=None)打印整个project全部完毕的url工作状态。

  至此,crawl的基本框架就展如今眼前了。

至于在这个程序中出现的一些不easy理解的python语言特性,某些应用到的核心模块,将在下一篇博客《标准爬虫分析。精简不简单!》中进行阐述。

 


以上是关于标准爬虫初探,来自Python之父的大餐!的主要内容,如果未能解决你的问题,请参考以下文章

Python 之父的解析器系列之五:左递归 PEG 语法

Python 之父的解析器系列之三:生成一个 PEG 解析器

Swift团队把Swift之父气跑了,网友:Python之父的仁慈独裁者模式才是王道

Q新闻|Docker新增三大功能特性;来自物联网之父的五个想法;在微软Azure中用Redis为ASP.NET应用加速

Redis之父的“退役”感言

就在今天!Unix 之父的密码被破解了