阅读本文大约需要 20 分钟。
上一篇文章：Scrapy 源码剖析（三）Scrapy 有哪些核心组件？我们已经分析了 Scrapy 核心组件的主要职责，以及它们在初始化时都完成了哪些工作。
这篇文章就让我们来看一下，也是 Scrapy 最核心的抓取流程是如何运行的，它是如何调度各个组件，完成整个抓取工作的。
运行入口
还是回到最初的入口，在Scrapy 源码剖析（二）Scrapy 是如何运行起来的？这篇文章中我们已经详细分析过了，在执行 Scrapy 命令时，主要经过以下几步：
而 crawl 方法最终是调用了 Cralwer 实例的 crawl，这个方法最终把控制权交给了Engine，而 start 方法注册好协程池，就开始异步调度执行了。
我们来看 Cralwer 的 crawl 方法：
@defer.inlineCallbacksdef crawl(self, *args, **kwargs): assert not self.crawling, "Crawling already taking place" self.crawling = True try: # 创建爬虫实例 self.spider = self._create_spider(*args, **kwargs) # 创建引擎 self.engine = self._create_engine() # 调用spider的start_requests 获取种子URL start_requests = iter(self.spider.start_requests()) # 调用engine的open_spider 交由引擎调度 yield self.engine.open_spider(self.spider, start_requests) yield defer.maybeDeferred(self.engine.start) except Exception: if six.PY2: exc_info = sys.exc_info() self.crawling = False if self.engine is not None: yield self.engine.close() if six.PY2: six.reraise(*exc_info) raise
复制代码
这里首先会创建出爬虫实例，然后创建引擎，之后调用了 spider 的 start_requests 方法，这个方法就是我们平时写的最多爬虫类的父类，它在 spiders/init.py 中定义：
def start_requests(self): # 根据定义好的start_urls属性 生成种子URL对象 for url in self.start_urls: yield self.make_requests_from_url(url)
def make_requests_from_url(self, url): # 构建Request对象 return Request(url, dont_filter=True)
复制代码
构建请求
通过上面这段代码，我们能看到，平时我们必须要定义的 start_urls 属性，原来就是在这里用来构建 Request 的，来看 Request 的定义：
class Request(object_ref):
def __init__(self, url, callback=None, method='GET', headers=None, body=None, cookies=None, meta=None, encoding='utf-8', priority=0, dont_filter=False, errback=None): # 编码 self._encoding = encoding # 请求方法 self.method = str(method).upper() # 设置url self._set_url(url) # 设置body self._set_body(body) assert isinstance(priority, int), "Request priority not an integer: %r" % priority # 优先级 self.priority = priority assert callback or not errback, "Cannot use errback without a callback" # 回调函数 self.callback = callback # 异常回调函数 self.errback = errback # cookies self.cookies = cookies or {} # 构建Header self.headers = Headers(headers or {}, encoding=encoding) # 是否需要过滤 self.dont_filter = dont_filter # 附加信息 self._meta = dict(meta) if meta else None
复制代码
Request 对象比较简单，就是封装了请求参数、请求方法、回调以及可附加的属性信息。
当然，你也可以在子类中重写 start_requests 和 make_requests_from_url 这 2 个方法，用来自定义逻辑构建种子请求。
引擎调度
再回到 crawl 方法，构建好种子请求对象后，调用了 engine 的 open_spider：
@defer.inlineCallbacksdef open_spider(self, spider, start_requests=(), close_if_idle=True): assert self.has_capacity(), "No free spider slot when opening %r" % \ spider.name logger.info("Spider opened", extra={'spider': spider}) # 注册_next_request调度方法 循环调度 nextcall = CallLaterOnce(self._next_request, spider) # 初始化scheduler scheduler = self.scheduler_cls.from_crawler(self.crawler) # 调用爬虫中间件 处理种子请求 start_requests = yield self.scraper.spidermw.process_start_requests(start_requests, spider) # 封装Slot对象 slot = Slot(start_requests, close_if_idle, nextcall, scheduler) self.slot = slot self.spider = spider # 调用scheduler的open yield scheduler.open(spider) # 调用scrapyer的open yield self.scraper.open_spider(spider) # 调用stats的open self.crawler.stats.open_spider(spider) yield self.signals.send_catch_log_deferred(signals.spider_opened, spider=spider) # 发起调度 slot.nextcall.schedule() slot.heartbeat.start(5)
复制代码
在这里首先构建了一个 CallLaterOnce，之后把 _next_request 方法注册了进去，看此类的实现：
class CallLaterOnce(object): # 在twisted的reactor中循环调度一个方法 def __init__(self, func, *a, **kw): self._func = func self._a = a self._kw = kw self._call = None
def schedule(self, delay=0): # 上次发起调度 才可再次继续调度 if self._call is None: # 注册self到callLater中 self._call = reactor.callLater(delay, self)
def cancel(self): if self._call: self._call.cancel()
def __call__(self): # 上面注册的是self 所以会执行__call__ self._call = None return self._func(*self._a, **self._kw)
复制代码
这里封装了循环执行的方法类，并且注册的方法会在 twisted 的 reactor 中异步执行，以后执行只需调用 schedule，就会注册 self 到 reactor 的 callLater 中，然后它会执行 call 方法，最终执行的就是我们注册的方法。
而这里我们注册的方法就是引擎的 _next_request，也就是说，此方法会循环调度，直到程序退出。
之后调用了爬虫中间件的 process_start_requests 方法，你可以定义多个自己的爬虫中间件，每个类都重写此方法，爬虫在调度之前会分别调用你定义好的爬虫中间件，来处理初始化请求，你可以进行过滤、加工、筛选以及你想做的任何逻辑。
这样做的好处就是，把想做的逻辑拆分成多个中间件，每个中间件功能独立，而且维护起来更加清晰。
调度器
接下来就要开始调度任务了，这里首先调用了 Scheduler 的 open：
def open(self, spider): self.spider = spider # 实例化优先级队列 self.mqs = self.pqclass(self._newmq) # 如果定义了dqdir则实例化基于磁盘的队列 self.dqs = self._dq() if self.dqdir else None # 调用请求指纹过滤器的open方法 return self.df.open() def _dq(self): # 实例化磁盘队列 activef = join(self.dqdir, 'active.json') if exists(activef): with open(activef) as f: prios = json.load(f) else: prios = () q = self.pqclass(self._newdq, startprios=prios) if q: logger.info("Resuming crawl (%(queuesize)d requests scheduled)", {'queuesize': len(q)}, extra={'spider': self.spider}) return q
复制代码
在 open 方法中，调度器会实例化出优先级队列，以及根据 dqdir是否配置，决定是否使用磁盘队列，最后调用了请求指纹过滤器的 open 方法，这个方法在父类 BaseDupeFilter 中定义：
class BaseDupeFilter(object): # 过滤器基类,子类可重写以下方法 @classmethod def from_settings(cls, settings): return cls()
def request_seen(self, request): # 请求过滤 return False
def open(self): # 可重写 完成过滤器的初始化工作 pass
def close(self, reason): # 可重写 完成关闭过滤器工作 pass
def log(self, request, spider): pas
复制代码
请求过滤器提供了请求过滤的具体实现方式，Scrapy 默认提供了 RFPDupeFilter 过滤器实现过滤重复请求的逻辑，这里先对这个类有个了解，后面会讲具体是如何过滤重复请求的。
Scraper
再之后就调用 Scraper 的 open_spider 方法，在之前的文章中我们提到过，Scraper 类是连接 Engine、Spider、Item Pipeline 这 3 个组件的桥梁：
@defer.inlineCallbacksdef open_spider(self, spider): self.slot = Slot() # 调用所有pipeline的open_spider yield self.itemproc.open_spider(spider)
复制代码
这里的主要逻辑是 Scraper 调用所有 Pipeline 的 open_spider 方法，如果我们定义了多个 Pipeline 输出类，可以重写 open_spider 完成每个 Pipeline 在输出前的初始化工作。
循环调度
调用了一系列组件的 open 方法后，最后调用了 nextcall.schedule() 开始调度，也就是循环执行在上面注册的 nextrequest 方法：
def _next_request(self, spider): # 此方法会循环调度 slot = self.slot if not slot: return # 暂停 if self.paused: return # 是否等待 while not self._needs_backout(spider): # 从scheduler中获取request # 注意：第一次获取时，是没有的，也就是会break出来 # 从而执行下面的逻辑 if not self._next_request_from_scheduler(spider): break # 如果start_requests有数据且不需要等待 if slot.start_requests and not self._needs_backout(spider): try: # 获取下一个种子请求 request = next(slot.start_requests) except StopIteration: slot.start_requests = None except Exception: slot.start_requests = None logger.error('Error while obtaining start requests', exc_info=True, extra={'spider': spider}) else: # 调用crawl,实际是把request放入scheduler的队列中 self.crawl(request, spider) # 空闲则关闭spider if self.spider_is_idle(spider) and slot.close_if_idle: self._spider_idle(spider) def _needs_backout(self, spider): # 是否需要等待，取决4个条件 # 1. Engine是否stop # 2. slot是否close # 3. downloader下载超过预设 # 4. scraper处理response超过预设 slot = self.slot return not self.running \ or slot.closing \ or self.downloader.needs_backout() \ or self.scraper.slot.needs_backout()
def _next_request_from_scheduler(self, spider): slot = self.slot # 从scheduler拿出下个request request = slot.scheduler.next_request() if not request: return # 下载 d = self._download(request, spider) # 注册成功、失败、出口回调方法 d.addBoth(self._handle_downloader_output, request, spider) d.addErrback(lambda f: logger.info('Error while handling downloader output', exc_info=failure_to_exc_info(f), extra={'spider': spider})) d.addBoth(lambda _: slot.remove_request(request)) d.addErrback(lambda f: logger.info('Error while removing request from slot', exc_info=failure_to_exc_info(f), extra={'spider': spider})) d.addBoth(lambda _: slot.nextcall.schedule()) d.addErrback(lambda f: logger.info('Error while scheduling new request', exc_info=failure_to_exc_info(f), extra={'spider': spider})) return d
def crawl(self, request, spider): assert spider in self.open_spiders, \ "Spider %r not opened when crawling: %s" % (spider.name, request) # request放入scheduler队列，调用nextcall的schedule self.schedule(request, spider) self.slot.nextcall.schedule()
def schedule(self, request, spider): self.signals.send_catch_log(signal=signals.request_scheduled, request=request, spider=spider) # 调用scheduler的enqueue_request，把request放入scheduler队列 if not self.slot.scheduler.enqueue_request(request): self.signals.send_catch_log(signal=signals.request_dropped, request=request, spider=spider)
复制代码
_next_request 方法首先调用 _needs_backout 检查是否需要等待，等待的条件有以下几种情况：
引擎是否主动关闭
Slot 是否关闭
下载器在网络下载时是否超过预设参数
Scraper 处理输出是否超过预设参数
如果不需要等待，则调用 _next_request_from_scheduler，此方法从名字上就能看出，主要是从 Schduler 中获取 Request。
这里要注意，在第一次调用此方法时，Scheduler 中是没有放入任何 Request 的，这里会直接break 出来，执行下面的逻辑，而下面就会调用 crawl 方法，实际是把请求放到 Scheduler 的请求队列，放入队列的过程会经过请求过滤器校验是否重复。
下次再调用 _next_request_from_scheduler 时，就能从 Scheduler 中获取到下载请求，然后执行下载动作。
先来看第一次调度，执行 crawl：
def crawl(self, request, spider): assert spider in self.open_spiders, \ "Spider %r not opened when crawling: %s" % (spider.name, request) # 放入Scheduler队列 self.schedule(request, spider) # 进行下一次调度 self.slot.nextcall.schedule() def schedule(self, request, spider): self.signals.send_catch_log(signal=signals.request_scheduled, request=request, spider=spider) # 放入Scheduler队列 if not self.slot.scheduler.enqueue_request(request): self.signals.send_catch_log(signal=signals.request_dropped, request=request, spider=spider)
复制代码
调用引擎的 crawl 实际就是把请求放入 Scheduler 的队列中，下面看请求是如何入队列的。
请求入队
Scheduler 请求入队方法：
def enqueue_request(self, request): # 请求入队 若请求过滤器验证重复 返回False if not request.dont_filter and self.df.request_seen(request): self.df.log(request, self.spider) return False # 磁盘队列是否入队成功 dqok = self._dqpush(request) if dqok: self.stats.inc_value('scheduler/enqueued/disk', spider=self.spider) else: # 没有定义磁盘队列 则使用内存队列 self._mqpush(request) self.stats.inc_value('scheduler/enqueued/memory', spider=self.spider) self.stats.inc_value('scheduler/enqueued', spider=self.spider) return True def _dqpush(self, request): # 是否定义磁盘队列 if self.dqs is None: return try: # Request对象转dict reqd = request_to_dict(request, self.spider) # 放入磁盘队列 self.dqs.push(reqd, -request.priority) except ValueError as e: # non serializable request if self.logunser: msg = ("Unable to serialize request: %(request)s - reason:" " %(reason)s - no more unserializable requests will be" " logged (stats being collected)") logger.warning(msg, {'request': request, 'reason': e}, exc_info=True, extra={'spider': self.spider}) self.logunser = False self.stats.inc_value('scheduler/unserializable', spider=self.spider) return else: return True def _mqpush(self, request): # 入内存队列 self.mqs.push(request, -request.priority)
复制代码
在上一篇文章时有说到，调度器主要定义了 2 种队列：基于磁盘队列、基于内存队列。
如果在实例化 Scheduler 时候传入 jobdir，则使用磁盘队列，否则使用内存队列，默认使用内存队列。
指纹过滤
上面说到，在请求入队之前，首先会通过请求指纹过滤器检查请求是否重复，也就是调用了过滤器的 request_seen：
def request_seen(self, request): # 生成请求指纹 fp = self.request_fingerprint(request) # 请求指纹如果在指纹集合中 则认为重复 if fp in self.fingerprints: return True # 不重复则记录此指纹 self.fingerprints.add(fp) # 实例化如果有path则把指纹写入文件 if self.file: self.file.write(fp + os.linesep)
def request_fingerprint(self, request): # 调用utils.request的request_fingerprint return request_fingerprint(request)
复制代码
utils.request 的 request_fingerprint 逻辑如下：
def request_fingerprint(request, include_headers=None): """生成请求指纹""" # 指纹生成是否包含headers if include_headers: include_headers = tuple(to_bytes(h.lower()) for h in sorted(include_headers)) cache = _fingerprint_cache.setdefault(request, {}) if include_headers not in cache: # 使用sha1算法生成指纹 fp = hashlib.sha1() fp.update(to_bytes(request.method)) fp.update(to_bytes(canonicalize_url(request.url))) fp.update(request.body or b'') if include_headers: for hdr in include_headers: if hdr in request.headers: fp.update(hdr) for v in request.headers.getlist(hdr): fp.update(v) cache[include_headers] = fp.hexdigest() return cache[include_headers]
复制代码
这个过滤器先是通过 Request 对象生成一个请求指纹，在这里使用 sha1 算法，并记录到指纹集合，每次请求入队前先到这里验证一下指纹集合，如果已存在，则认为请求重复，则不会重复入队列。
不过如果我想不校验重复，也想重复爬取怎么办？看 enqueue_request 的第一行判断，仅需将 Request 实例的 dont_filter 设置为 True 就可以重复抓取此请求，非常灵活。
Scrapy 就是通过此逻辑实现重复请求的过滤，默认情况下，重复请求是不会进行重复抓取的。
下载请求
请求第一次进来后，肯定是不重复的，那么则会正常进入调度器队列。之后下一次调度，再次调用 _next_request_from_scheduler 方法，此时调用调度器的 next_request 方法，就是从调度器队列中取出一个请求，这次就要开始进行网络下载了，也就是调用 _download：
def _download(self, request, spider): # 下载请求 slot = self.slot slot.add_request(request) def _on_success(response): # 成功回调 结果必须是Request或Response assert isinstance(response, (Response, Request)) if isinstance(response, Response): # 如果下载后结果为Response 返回Response response.request = request 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
def _on_complete(_): # 此次下载完成后 继续进行下一次调度 slot.nextcall.schedule() return _
# 调用Downloader进行下载 dwld = self.downloader.fetch(request, spider) # 注册成功回调 dwld.addCallbacks(_on_success) # 结束回调 dwld.addBoth(_on_complete) return dwld
复制代码
在进行网络下载时，调用了 Downloader 的 fetch：
def fetch(self, request, spider): def _deactivate(response): # 下载结束后删除此记录 self.active.remove(request) return response # 下载前记录处理中的请求 self.active.add(request) # 调用下载器中间件download 并注册下载成功的回调方法是self._enqueue_request dfd = self.middleware.download(self._enqueue_request, request, spider) # 注册结束回调 return dfd.addBoth(_deactivate)
复制代码
这里调用下载器中间件的 download，并注册下载成功的回调方法是 _enqueue_request，来看下载方法：
def download(self, download_func, request, spider): @defer.inlineCallbacks def process_request(request): # 如果下载器中间件有定义process_request 则依次执行 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__) # 如果下载器中间件有返回值 直接返回此结果 if response: defer.returnValue(response) # 如果下载器中间件没有返回值，则执行注册进来的方法 也就是Downloader的_enqueue_request defer.returnValue((yield download_func(request=request,spider=spider)))
@defer.inlineCallbacks def process_response(response): assert response is not None, 'Received None in process_response' if isinstance(response, Request): defer.returnValue(response)
# 如果下载器中间件有定义process_response 则依次执行 for method in self.methods['process_response']: response = yield method(request=request, response=response, spider=spider) assert isinstance(response, (Response, Request)), \ 'Middleware %s.process_response must return Response or Request, got %s' % \ (six.get_method_self(method).__class__.__name__, type(response)) if isinstance(response, Request): defer.returnValue(response) defer.returnValue(response)
@defer.inlineCallbacks def process_exception(_failure): exception = _failure.value # 如果下载器中间件有定义process_exception 则依次执行 for method in self.methods['process_exception']: response = yield method(request=request, exception=exception, spider=spider) assert response is None or isinstance(response, (Response, Request)), \ 'Middleware %s.process_exception must return None, Response or Request, got %s' % \ (six.get_method_self(method).__class__.__name__, type(response)) if response: defer.returnValue(response) defer.returnValue(_failure)
# 注册执行、错误、回调方法 deferred = mustbe_deferred(process_request, request) deferred.addErrback(process_exception) deferred.addCallback(process_response) return deferred
复制代码
在下载过程中，首先找到所有定义好的下载器中间件，包括内置定义好的，也可以自己扩展下载器中间件，下载前先依次执行 process_request，可对 Request 进行加工、处理、校验等操作，然后发起真正的网络下载，也就是第一个参数 download_func，在这里是 Downloader 的 enqueuerequest 方法：
下载成功后回调 Downloader 的 _enqueue_request：
def _enqueue_request(self, request, spider): # 加入下载请求队列 key, slot = self._get_slot(request, spider) request.meta['download_slot'] = key
def _deactivate(response): slot.active.remove(request) return response
slot.active.add(request) deferred = defer.Deferred().addBoth(_deactivate) # 下载队列 slot.queue.append((request, deferred)) # 处理下载队列 self._process_queue(spider, slot) return deferred def _process_queue(self, spider, slot): if slot.latercall and slot.latercall.active(): return
# 如果延迟下载参数有配置 则延迟处理队列 now = time() delay = slot.download_delay() if delay: penalty = delay - now + slot.lastseen if penalty > 0: slot.latercall = reactor.callLater(penalty, self._process_queue, spider, slot) return
# 处理下载队列 while slot.queue and slot.free_transfer_slots() > 0: slot.lastseen = now # 从下载队列中取出下载请求 request, deferred = slot.queue.popleft() # 开始下载 dfd = self._download(slot, request, spider) dfd.chainDeferred(deferred) # 延迟 if delay: self._process_queue(spider, slot) break def _download(self, slot, request, spider): # 注册方法 调用handlers的download_request dfd = mustbe_deferred(self.handlers.download_request, request, spider)
# 注册下载完成回调方法 def _downloaded(response): self.signals.send_catch_log(signal=signals.response_downloaded, response=response, request=request, spider=spider) return response dfd.addCallback(_downloaded)
slot.transferring.add(request)
def finish_transferring(_): slot.transferring.remove(request) # 下载完成后调用_process_queue self._process_queue(spider, slot) return _
return dfd.addBoth(finish_transferring)
复制代码
这里也维护了一个下载队列，可根据配置达到延迟下载的要求。真正发起下载请求是调用了 self.handlers.download_request：
def download_request(self, request, spider): # 获取请求的scheme scheme = urlparse_cached(request).scheme # 根据scheeme获取下载处理器 handler = self._get_handler(scheme) if not handler: raise NotSupported("Unsupported URL scheme '%s': %s" % (scheme, self._notconfigured[scheme])) # 开始下载 并返回结果 return handler.download_request(request, spider) def _get_handler(self, scheme): # 根据scheme获取对应的下载处理器 # 配置文件中定义好了http、https、ftp等资源的下载处理器 if scheme in self._handlers: return self._handlers[scheme] if scheme in self._notconfigured: return None if scheme not in self._schemes: self._notconfigured[scheme] = 'no handler available for that scheme' return None
path = self._schemes[scheme] try: # 实例化下载处理器 dhcls = load_object(path) dh = dhcls(self._crawler.settings) except NotConfigured as ex: self._notconfigured[scheme] = str(ex) return None except Exception as ex: logger.error('Loading "%(clspath)s" for scheme "%(scheme)s"', {"clspath": path, "scheme": scheme}, exc_info=True, extra={'crawler': self._crawler}) self._notconfigured[scheme] = str(ex) return None else: self._handlers[scheme] = dh return self._handlers[scheme]
复制代码
下载前，先通过解析 request 的 scheme 来获取对应的下载处理器，默认配置文件中定义的下载处理器如下：
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',}
复制代码
然后调用 download_request 方法，完成网络下载，这里不再详细讲解每个处理器的实现，简单来说，你可以把它想象成封装好的网络下载库，输入 URL，它会给你输出下载结果，这样方便理解。
在下载过程中，如果发生异常情况，则会依次调用下载器中间件的 process_exception 方法，每个中间件只需定义自己的异常处理逻辑即可。
如果下载成功，则会依次执行下载器中间件的 process_response 方法，每个中间件可以进一步处理下载后的结果，最终返回。
这里值得提一下，process_request 方法是每个中间件顺序执行的，而 process_response 和 process_exception 方法是每个中间件倒序执行的，具体可看一下 DownaloderMiddlewareManager 的 addmiddleware 方法，就可以明白是如何注册这个方法链的。
拿到最终的下载结果后，再回到 ExecuteEngine 的 _next_request_from_scheduler 中，会看到调用了 _handle_downloader_output，也就是处理下载结果的逻辑：
def _handle_downloader_output(self, response, request, spider): # 下载结果必须是Request、Response、Failure其一 assert isinstance(response, (Request, Response, Failure)), response # 如果是Request 则再次调用crawl 执行Scheduler的入队逻辑 if isinstance(response, Request): self.crawl(response, spider) return # 如果是Response或Failure 则调用scraper的enqueue_scrape进一步处理 # 主要是和Spiders和Pipeline交互 d = self.scraper.enqueue_scrape(response, request, spider) d.addErrback(lambda f: logger.error('Error while enqueuing downloader output', exc_info=failure_to_exc_info(f), extra={'spider': spider})) return d
复制代码
拿到下载结果后，主要分 2 个逻辑：
处理下载结果
请求入队逻辑不用再说，前面已经讲过。现在主要看 Scraper 的 enqueue_scrape，看Scraper 组件是如何处理后续逻辑的：
def enqueue_scrape(self, response, request, spider): # 加入Scrape处理队列 slot = self.slot dfd = slot.add_response_request(response, request) def finish_scraping(_): slot.finish_response(response, request) self._check_if_closing(spider, slot) self._scrape_next(spider, slot) return _ dfd.addBoth(finish_scraping) dfd.addErrback( lambda f: logger.error('Scraper bug processing %(request)s', {'request': request}, exc_info=failure_to_exc_info(f), extra={'spider': spider})) self._scrape_next(spider, slot) return dfd
def _scrape_next(self, spider, slot): while slot.queue: # 从Scraper队列中获取一个待处理的任务 response, request, deferred = slot.next_response_request_deferred() self._scrape(response, request, spider).chainDeferred(deferred)
def _scrape(self, response, request, spider): assert isinstance(response, (Response, Failure)) # 调用_scrape2继续处理 dfd = self._scrape2(response, request, spider) # 注册异常回调 dfd.addErrback(self.handle_spider_error, request, response, spider) # 出口回调 dfd.addCallback(self.handle_spider_output, request, response, spider) return dfd
def _scrape2(self, request_result, request, spider): # 如果结果不是Failure实例 则调用爬虫中间件管理器的scrape_response if not isinstance(request_result, Failure): return self.spidermw.scrape_response( self.call_spider, request_result, request, spider) else: # 直接调用call_spider dfd = self.call_spider(request_result, request, spider) return dfd.addErrback( self._log_download_errors, request_result, request, spider)
复制代码
首先把请求和响应加入到 Scraper 的处理队列中，然后从队列中获取到任务，如果不是异常结果，则调用爬虫中间件管理器的 scrape_response 方法：
def scrape_response(self, scrape_func, response, request, spider): fname = lambda f:'%s.%s' % ( six.get_method_self(f).__class__.__name__, six.get_method_function(f).__name__)
def process_spider_input(response): # 执行一系列爬虫中间件的process_spider_input for method in self.methods['process_spider_input']: try: result = method(response=response, spider=spider) assert result is None, \ 'Middleware %s must returns None or ' \ 'raise an exception, got %s ' \ % (fname(method), type(result)) except: return scrape_func(Failure(), request, spider) # 执行完中间件的一系列process_spider_input方法后 执行call_spider return scrape_func(response, request, spider)
def process_spider_exception(_failure): # 执行一系列爬虫中间件的process_spider_exception exception = _failure.value for method in self.methods['process_spider_exception']: result = method(response=response, exception=exception, spider=spider) assert result is None or _isiterable(result), \ 'Middleware %s must returns None, or an iterable object, got %s ' % \ (fname(method), type(result)) if result is not None: return result return _failure
def process_spider_output(result): # 执行一系列爬虫中间件的process_spider_output for method in self.methods['process_spider_output']: result = method(response=response, result=result, spider=spider) assert _isiterable(result), \ 'Middleware %s must returns an iterable object, got %s ' % \ (fname(method), type(result)) return result
# 执行process_spider_input dfd = mustbe_deferred(process_spider_input, response) # 注册异常回调 dfd.addErrback(process_spider_exception) # 注册出口回调 dfd.addCallback(process_spider_output) return dfd
复制代码
有没有感觉套路很熟悉？与上面下载器中间件调用方式非常相似，也调用一系列的前置方法，再执行真正的处理逻辑，最后执行一系列的后置方法。
回调爬虫
接下来看一下，Scrapy 是如何执行我们写好的爬虫逻辑的，也就是 call_spider 方法，这里回调我们写好的爬虫类：
def call_spider(self, result, request, spider): # 回调爬虫模块 result.request = request dfd = defer_result(result) # 注册回调方法 取得request.callback 如果未定义则调用爬虫模块的parse方法 dfd.addCallbacks(request.callback or spider.parse, request.errback) return dfd.addCallback(iterate_spider_output)
复制代码
看到这里，你应该更熟悉，平时我们写的最多的爬虫代码，parse 则是第一个回调方法。之后爬虫类拿到下载结果，就可以定义下载后的 callback 方法，也是在这里进行回调执行的。
处理输出
在与爬虫类交互完成之后，Scraper 调用了 handle_spider_output 方法处理爬虫的输出结果：
def handle_spider_output(self, result, request, response, spider): # 处理爬虫输出结果 if not result: return defer_succeed(None) it = iter_errback(result, self.handle_spider_error, request, response, spider) # 注册_process_spidermw_output dfd = parallel(it, self.concurrent_items, self._process_spidermw_output, request, response, spider) return dfd
def _process_spidermw_output(self, output, request, response, spider): # 处理Spider模块返回的每一个Request/Item if isinstance(output, Request): # 如果结果是Request 再次入Scheduler的请求队列 self.crawler.engine.crawl(request=output, spider=spider) elif isinstance(output, (BaseItem, dict)): # 如果结果是BaseItem/dict self.slot.itemproc_size += 1 # 调用Pipeline的process_item dfd = self.itemproc.process_item(output, spider) dfd.addBoth(self._itemproc_finished, output, response, spider) return dfd elif output is None: pass else: typename = type(output).__name__ logger.error('Spider must return Request, BaseItem, dict or None, ' 'got %(typename)r in %(request)s', {'request': request, 'typename': typename}, extra={'spider': spider})
复制代码
执行完我们自定义的解析逻辑后，解析方法可返回新的 Request 或 BaseItem 实例。
如果是新的请求，则再次通过 Scheduler 进入请求队列，如果是 BaseItem 实例，则调用 Pipeline 管理器，依次执行 process_item。我们想输出结果时，只需要定义 Pepeline 类，然后重写这个方法就可以了。
ItemPipeManager 处理逻辑：
class ItemPipelineManager(MiddlewareManager):
component_name = 'item pipeline'
@classmethod def _get_mwlist_from_settings(cls, settings): return build_component_list(settings.getwithbase('ITEM_PIPELINES'))
def _add_middleware(self, pipe): super(ItemPipelineManager, self)._add_middleware(pipe) if hasattr(pipe, 'process_item'): self.methods['process_item'].append(pipe.process_item)
def process_item(self, item, spider): # 依次调用Pipeline的process_item return self._process_chain('process_item', item, spider)
复制代码
可以看到 ItemPipeManager 也是一个中间件，和之前下载器中间件管理器和爬虫中间件管理器类似，如果子类有定义 process_item，则依次执行它。
执行完之后，调用 _itemproc_finished：
def _itemproc_finished(self, output, item, response, spider): self.slot.itemproc_size -= 1 if isinstance(output, Failure): ex = output.value # 如果在Pipeline处理中抛DropItem异常 忽略处理结果 if isinstance(ex, DropItem): logkws = self.logformatter.dropped(item, ex, response, spider) logger.log(*logformatter_adapter(logkws), extra={'spider': spider}) return self.signals.send_catch_log_deferred( signal=signals.item_dropped, item=item, response=response, spider=spider, exception=output.value) else: logger.error('Error processing %(item)s', {'item': item}, exc_info=failure_to_exc_info(output), extra={'spider': spider}) else: logkws = self.logformatter.scraped(output, response, spider) logger.log(*logformatter_adapter(logkws), extra={'spider': spider}) return self.signals.send_catch_log_deferred( signal=signals.item_scraped, item=output, response=response, spider=spider)
复制代码
这里可以看到，如果想在 Pipeline 中丢弃某个结果，直接抛出 DropItem 异常即可，Scrapy 会进行对应的处理。
到这里，抓取结果会根据自定义的输出类，然后输出到指定位置，而新的 Request 则会再次进入请求队列，等待引擎下一次调度，也就是再次调用 ExecutionEngine 的 nextrequest，直至请求队列没有新的任务，整个程序退出。
CrawlerSpider
以上，基本上整个核心抓取流程就讲完了。
这里再简单说一下 CrawlerSpider 类，我们平时用的也比较多，它其实就是继承了 Spider 类，然后重写了 parse 方法（这也是继承此类不要重写此方法的原因），并结合 Rule 规则类，来完成 Request 的自动提取逻辑。
Scrapy 提供了这个类方便我们更快速地编写爬虫代码，我们也可以基于此类进行再次封装，让我们的爬虫代码写得更简单。
由此我们也可看出，Scrapy 的每个模块的实现都非常纯粹，每个组件都通过配置文件定义连接起来，如果想要扩展或替换，只需定义并实现自己的处理逻辑即可，其他模块均不受任何影响，所以我们也可以看到，业界有非常多的 Scrapy 插件，都是通过此机制来实现的。
总结
这篇文章的代码量较多，也是 Scrapy 最为核心的抓取流程，如果你能把这块逻辑搞清楚了，那对 Scrapy 开发新的插件，或者在它的基础上进行二次开发也非常简单了。
总结一下整个抓取流程，还是用这两张图表示再清楚不过：
Scrapy 整体给我的感觉是，虽然它只是个单机版的爬虫框架，但我们可以非常方便地编写插件，或者自定义组件替换默认的功能，从而定制化我们自己的爬虫，最终可以实现一个功能强大的爬虫框架，例如分布式、代理调度、并发控制、可视化、监控等功能，它的灵活度非常高。
爬虫系列文章：
我的 Python 进阶系列文章：
关注「水滴与银弹」公众号，第一时间获取优质技术干货。7 年资深后端研发，用简单的方式把技术讲清楚。
评论