首先不得不承認自己做了標題黨,本文實質(zhì)是分析500lines or less的crawl工程,這個工程的地址是https://github.com/aosabook/500lines,有興趣的同學可以看看,是一個非常高質(zhì)量的開源工程集合,據(jù)說要寫一本書,不過看著代碼提交記錄,這本書面世時間應該不會很快。這篇文章寫得很渣,錯誤一定要提啊。。。 網(wǎng)絡爬蟲從一個或若干初始網(wǎng)頁的URL開始,獲得初始網(wǎng)頁上的URL,在抓取網(wǎng)頁的過程中,不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統(tǒng)的一定停止條件。簡單的可以將網(wǎng)絡爬蟲理解為一個帶有終止條件的while循環(huán),在條件不觸發(fā)的情況下,爬蟲就不斷的從每個以及獲取的url發(fā)送請求獲取頁面數(shù)據(jù),然后解析當前頁面的url,不斷迭代下去。在crawl工程當中,完成這一過程的是crawler類,他并未采用廣度優(yōu)先或是深度優(yōu)先的爬蟲,在當前請求失敗的時候就通過python掛起當前任務,然后在之后再進行調(diào)度,這可以勉強理解為基于網(wǎng)絡連通性的A*搜索,其運行方式如下所示: 對一個初始化后的crawler對象,其中存在一個url,一個todo集合,存儲尚未繼續(xù)呢爬蟲操作的url;一個busy集合,保存等待其他爬蟲數(shù)據(jù)的url集合;一個done集合,保存完成頁面爬取的url集合。爬蟲的核心就是這個死循環(huán),首先爬蟲從todo集合當中獲取一個url,然后初始化fetch對象用于獲取頁面上的url,最后進行任務調(diào)度執(zhí)行一個url請求任務。這段流程的代碼如下所示。
一個爬蟲很明顯不會僅僅由一個死循環(huán)構(gòu)成,在crawl外層需要其他模塊支持其操作,包括網(wǎng)絡連接,url獲取,任務調(diào)度等任務,整個crawl工程的調(diào)度框架如下所示: 在crawl創(chuàng)建初始化時候首先創(chuàng)建一個ConnectionPool:
其中保留屬性connections和queue,分別保存連接的集合和隊列,用于后續(xù)調(diào)度;而connection中存儲host和端口號并支持ssl,通過asyncio.open_connection()獲取連接。
任務執(zhí)行時crawl方法首先通過loop.run_until_complete(crawler.crawl())加載到event loop當中,然后用上述語句構(gòu)建的鏈接池ConnectionPool中保存connection對象,獲取連接對象然后通過fetcher對象的fetch方法進行數(shù)據(jù)爬取。對于一個url請求任務,使用fetcher進行處理,調(diào)度則是用asyncio.Task方法進行的調(diào)度。其中fetch方法獲取被掛起的generator,交給asyncio.Task執(zhí)行。 通過yield from和asynico.coroutine語句,將這個方法變?yōu)閳?zhí)行過程中的generator,在執(zhí)行fetcher.fetch()方法時候如果被掛起,則通過調(diào)度程序進行處理。 fetcher.fetch()方法是網(wǎng)絡爬蟲的核心方法,負責從網(wǎng)絡上獲取頁面數(shù)據(jù)并將其中的url加載到todo集合當中,該方法嘗試獲取頁面數(shù)據(jù)當嘗試次數(shù)達到上限時停止操作,獲取成功的html數(shù)據(jù)和外部鏈接以及重定向鏈接都將被存儲。在url鏈接次數(shù)到達上限的情況下,將停止這個url的鏈接操作,輸出出錯日志。之后針對頁面的不同狀態(tài),采取不同的處理方式。 下面的代碼是crawling.py文件從333行開始(crawling.py)到對應方法結(jié)束的區(qū)域,通過對頁面status的判斷選擇不同的處理方式。其中通過正則表達式,獲取頁面上的url信息,這里選擇為href開頭的字符串,核心url提取的代碼在下面:
通過代碼,很明顯就可以看出正則匹配結(jié)果存儲在urls集合當中并通過for循環(huán)依次進行處理,加入到當前fetcher的crawler對象的todo集合當中。 在之前分析的基礎上對主文件crawl.py進行進一步分析,可以得到整體爬蟲的架構(gòu): 在主文件當中首先通過argparse.ArgumentParser進行解析,設置控制臺的數(shù)據(jù)讀取和控制,其中選擇了IOCP作為windows環(huán)境下的event loop對象。主方法,首先通過parse_args返回存儲命令行數(shù)據(jù)的字典,如果沒有root屬性,則給出提示。然后配置日志級別,指示日志的輸出級別,低于最低級別的不輸出。 通過入口函數(shù)main方法進入程序的時候,首先根據(jù)來自命令行參數(shù)對Crawler進行初始化,同時獲取使用asyncio的loop event對象,執(zhí)行run_until_complete方法,會一直執(zhí)行到這個程序結(jié)束運行。 除此之外reporting.py用于打印當前任務執(zhí)行情況。其中fetcher_report(fetcher, stats, file=None)打印這個url的工作狀態(tài),url就是fetcher的url屬性;report(crawler, file=None)打印整個工程所有完成的url工作狀態(tài)。 至此,crawl的基本框架就展現(xiàn)在眼前了。至于在這個程序中出現(xiàn)的一些不容易理解的python語言特性,某些應用到的核心模塊,將在下一篇博客《標準爬蟲分析,精簡不簡單!》中進行闡述。 【編輯推薦】 【責任編輯:張偉 TEL:(010)68476606】
|
|