#一、了解框架
##1、首先明确一下,什么是框架:
框架是为了为解决一类问题而开发的程序,框架两个字可以分开理解,框:表示指定解决问题的边界,明确要解决的问题;架:表达的是能够提供一定的支撑性和可扩展性;从而实现解决这类问题达到快速开发的目的。
##2、实现框架的好处是什么
2.1现成开源第三方框架的局限性
现成开源第三方框架是为了尽可能满足大部分的需求,不可能做到面面俱到,以及第三方框架的调试相对复杂
2.2解决特定的工作需求
工作中会有很多特殊的需求,会经常使用某种套路去实现这些需求,那么为了提高效率可以专门把这种套路封装成一个框架
比如专门针对电商网站、新闻资讯写一个爬虫框架;再比如针对断点续爬、增量抓取等需求写一个框架
2.3提高自己的技术能力
不一定需要亲自造轮子,但是应该知道如何造轮子
#二、框架设计思路
##1、正常爬虫的流程
(1)构建请求信息(url、method、headers、params、data)
(2)发起HTTP/HTTPS请求,获取HTTP/HTTPS响应
(3)解析响应,分析响应数据的数据结构或者页面结构
提取数据
提取请求的地址
(4)对数据进行存储/对新的请求地址重复前面的步骤
##2、scrapy爬虫的流程
从上图可以看出,scrapy分为:
(1)三个内置对象
请求对象(Request)
响应对象(Response)
数据对象(Item)
(2)五个核心组件
爬虫组件
构建请求信息(初始的),也就是生成请求对象(Request)
解析响应对象,返回数据对象(Item)或者新的请求对象(Request)
调度器组件
缓存请求对象(Request),并为下载器提供请求对象,实现请求的调度
对请求对象进行去重判断
下载器组件
根据请求对象(Request),发起HTTP、HTTPS网络请求,
拿到HTTP、HTTPS响应,构建响应对象(Response)并返回
管道组件
负责处理数据对象(Item)
引擎组件
负责驱动各大组件,通过调用各自对外提供的API接口,实现它们之间的交互和协作
提供整个框架的启动入口
(3)两个中间件
爬虫中间件
对请求对象和数据对象进行预处理
下载器中间件
对请求对象和响应对象进行预处理
#三、代码实现分析
##1、明确模块之间的逻辑关系
五个核心模块和三个内置的对象是关键模块,需要优先实现,先抛开中间件,分析下它们之间的逻辑关系是:
构造spider中start_urls中的请求
传递给调取器进行保存,之后从中取出
取出的request对象交给下载的进行下载,返回response
response交给爬虫模块进行解析,提取结果
如果结果是request对象,重新交给调度器,如果结果是item对象,交给管道处理
##2、设计代码结构
框架名字起名为scrapy_plus
继续对模块进行解耦和分类:
把核心模块放置在一起
请求对象模块和响应对象模块统一作为http模块
数据对象单独作为一个分类
暂定代码结构为
sequenceDiagram
participant scrapy_plus
scrapy_plus->>__init__.py:
scrapy_plus->>core:
scrapy_plus->>http:
scrapy_plus->>item.py:
core->>end:__init__.py
core->>end:spider.py
core->>end:scheduler.py
core->>end:download.py
core->>end:pipeline
core->>end:engine.py
http->>end:__init__.py
http->>end:request.py
http->>end:response.py
markdown最近才开始使用,画的不是太好请见谅
#四、框架雏形
##1、实现http模块和item模块
创建http模块包
(1)request模块的封装
对HTTP基本的请求属性进行简单封装,实现一个Request对象
# scrapy/http/request.py
'''封装Request对象'''
class Request(object):
'''框架内置请求对象,设置请求信息'''
def __init__(self, url, method='GET',\
headers=None, params=None, data=None):
self.url = url # 请求地址
self.method = method # 请求方法
self.headers = headers # 请求头
self.params = params # 请求参数
self.data = data # 请求体
(2)response对象的封装
对HTTP基本的响应属性进行简单封装,实现一个Response对象
# scrapy/http/response.py
'''封装Response对象'''
class Response(object):
'''框架内置Response对象'''
def __init__(self, url, status_code, headers, body):
self.url = url # 响应url
self.status_code = status_code # 响应状态码
self.headers = headers # 响应头
self.body = body # 响应体
(3)item对象的封装
对数据进行简单封装,实现Item对象
# scrapy/item.py
'''item对象'''
class Item(object):
'''框架内置Item对象'''
def __init__(self, data):
# data表示传入的数据
self._data = data # 设置为简单的私有属性
@property
def data(self):
'''对外提供data进行访问,一定程度达到保护的作用'''
return self._data
property 能够让调用一个方法和调用一个属性一样容易,即不用打括号
property 能够让这个属性的值是只读的,即不能够对其进行重新赋值,达到一定的保护的目的
##2、核心模块的实现
(1)spider模块的封装
1.1 爬虫组件功能:
构建请求信息(初始的),也就是生成请求对象(Request)
解析响应对象,返回数据对象(Item)或者新的请求对象(Request)
1.2 实现方案:
实现start_requests方法,返回请求对象
实现parse方法,返回Item对象或者新的请求对象
具体实现
创建core模块包
# scrapy_plus/core/spider.py
'''爬虫组件封装'''
from scrapy_plus.item import Item # 导入Item对象
from scrapy_plus.http.request import Request # 导入Request对象
class Spider(object):
'''
1. 构建请求信息(初始的),也就是生成请求对象(Request)
2. 解析响应对象,返回数据对象(Item)或者新的请求对象(Request)
'''
start_url = 'http://www.baidu.com' # 默认初始请求地址
def start_requests(self):
'''构建初始请求对象并返回'''
return Request(self.start_url)
def parse(self, response):
'''解析请求
并返回新的请求对象、或者数据对象
'''
return Item(response.body) # 返回item对象
(2) 调度器模块的封装
2.1 调度器功能:
缓存请求对象(Request),并为下载器提供请求对象,实现请求的调度:
对请求对象进行去重判断:实现去重方法_filter_request,该方法对内提供,因此设置为私有方法
2.2 实现方案:
利用队列FIFO存储请求;
实现add_request方法添加请求,接收请求对象作为参数;
实现get_request方法对外提供从队列取出的请求对象
# scrapy_plus/core/scheduler.py
'''调度器模块封住'''
# 利用six模块实现py2和py3兼容
from six.moves.queue import Queue
class Scheduler(object):
'''
1. 缓存请求对象(Request),并为下载器提供请求对象,实现请求的调度
2. 对请求对象进行去重判断
'''
def __init__(self):
self.queue = Queue()
def add_request(self, request):
'''添加请求对象'''
self.queue.put(request)
def get_request(self):
'''获取一个请求对象并返回'''
request = self.queue.get()
return request
def _filter_request(self):
'''请求去重'''
# 暂时不实现
pass
这里queue的导入在pycharm中会报错,不用管它,这是pycharm的问题,代码的OK的
(3)下载器模块的封装
3.1 下载器功能:
根据请求对象(Request),发起HTTP、HTTPS网络请求,拿到HTTP、HTTPS响应,构建响应对象(Response)并返回
3.1 实现方案:
利用requests、urllib2等模块发请求,这里使用requests模块
实现get_response方法,接收request请求对象作为参数,发起请求,获取响应
# scrapy_plus/core/downloader.py
'''下载器组件'''
import requests
from scrapy_plus.http.response import Response
class Downloader(object):
'''根据请求对象(Request),发起HTTP、HTTPS网络请求,拿到HTTP、HTTPS响应,构建响应对象(Response)并返回'''
def get_response(self, request):
'''发起请求获取响应的方法'''
# 1. 根据请求对象,发起请求,获取响应
# 判断请求方法:
if request.method.upper() == 'GET':
resp = requests.get(request.url, headers=request.headers,\
params=request.params)
elif request.method.upper() == 'POST':
resp = requests.post(request.url,headers=request.headers,\
params=request.params,data=request.data)
else:
# 如果方法不是get或者post,抛出一个异常
raise Exception("不支持的请求方法")
# 2. 构建响应对象,并返回
return Response(resp.url, resp.status_code, resp.headers, resp.content)
(4)管道模块的封装
4.1 管道组件功能:
负责处理数据对象
4.2 实现方案:
实现process_item方法,接收数据对象作为参数
# scrapy_plus/core/pipeline.py
'''管道组件封装'''
class Pipeline(object):
'''负责处理数据对象(Item)'''
def process_item(self, item):
'''处理item对象'''
print("item: ", item)
(5)引擎模块的封装
5.1 引擎组件功能:
对外提供整个的程序的入口
依次调用其他组件对外提供的接口,实现整个框架的运作(驱动)
5.2 实现方案:
利用init方法初始化其他组件对象,在内部使用
实现start方法,由外部调用,启动引擎
实现_start_engine方法,完成整个框架的运行逻辑
具体参考上一小节中雏形结构引擎的逻辑
# scrapy_plus/core/engine.py
'''引擎组件'''
from scrapy_plus.http.request import Request # 导入Request对象
from .scheduler import Scheduler
from .downloader import Downloader
from .pipeline import Pipeline
from .spider import Spider
class Engine(object):
'''
a. 对外提供整个的程序的入口
b. 依次调用其他组件对外提供的接口,实现整个框架的运作(驱动)
'''
def __init__(self):
self.spider = Spider() # 接收爬虫对象
self.scheduler = Scheduler() # 初始化调度器对象
self.downloader = Downloader() # 初始化下载器对象
self.pipeline = Pipeline() # 初始化管道对象
def start(self):
'''启动整个引擎'''
self._start_engine()
def _start_engine(self):
'''依次调用其他组件对外提供的接口,实现整个框架的运作(驱动)'''
# 1. 爬虫模块发出初始请求
start_request = self.spider.start_requests()
# 2. 把初始请求添加给调度器
self.scheduler.add_request(start_request)
# 3. 从调度器获取请求对象,交给下载器发起请求,获取一个响应对象
request = self.scheduler.get_request()
# 4. 利用下载器发起请求
response = self.downloader.get_response(request)
# 5. 利用爬虫的解析响应的方法,处理响应,得到结果
result = self.spider.parse(response)
# 6. 判断结果对象
# 6.1 如果是请求对象,那么就再交给调度器
if isinstance(result, Request):
self.scheduler.add_request(result)
# 6.2 否则,就交给管道处理
else:
self.pipeline.process_item(result)
#五、框架安装
##1 安装框架的目的
利用setup.py将框架安装到python环境中,在编写爬虫时候,作为第三方模块来调用
##2 框架安装第一步:完成setup.py的编写
以下代码相当于一个模板,只用更改name字段出,改为对应的需要安装的模块名称就可以,比如这里是:scrapy_plus
将setup.py文件放到scrapy_plus的同级目录下
from os.path import dirname, join
# from pip.req import parse_requirements
from setuptools import (
find_packages,
setup,
)
def parse_requirements(filename):
""" load requirements from a pip requirements file """
lineiter = (line.strip() for line in open(filename))
return [line for line in lineiter if line and not line.startswith("#")]
with open(join(dirname(__file__), './VERSION.txt'), 'rb') as f:
version = f.read().decode('ascii').strip()
setup(
name='scrapy-plus', # 模块名称
version=version,
description='A mini spider framework, like Scrapy', # 描述
packages=find_packages(exclude=[]),
author='itcast',
author_email='your@email.com',
license='Apache License v2',
package_data={'': ['*.*']},
url='#',
install_requires=parse_requirements("requirements.txt"), # 所需的运行环境
zip_safe=False,
classifiers=[
'Programming Language :: Python',
'Operating System :: Microsoft :: Windows',
'Operating System :: Unix',
'Programming Language :: Python :: 2.7',
'Programming Language :: Python :: 3.4',
'Programming Language :: Python :: 3.5',
'Programming Language :: Python :: 3.6',
],
)
注意: 上面代码中可能会报错需要额外安装packaging模块,更新setuptools
pip install packaging
pip install --upgrade setuptools
pip.req可能不存在,对应的可以:
def parse_requirements(filename):
""" load requirements from a pip requirements file """
lineiter = (line.strip() for line in open(filename))
return [line for line in lineiter if line and not line.startswith("#")]
##3、 框架安装第二步:完成requirements.txt的编写
功能:
写明依赖环境所支持的模块及其版本
使用:
在setup.py中使用
放置在setup.py同级目录下
requests>=2.18.4
six>=1.11.0
##4 框架安装第三步:完成VERSION.txt的编写
功能:
标明当前版本,一个合格的模块,应当具备相应的版本号
使用:
在setup.py中使用
放置在setup.py同级目录下
1.0
##5 框架安装第四步:执行安装命令
步骤:
切换到setup.py所在目录
切换到对应需要python虚拟环境下
在终端执行python setup.py install
显示结果:
Adding chardet 3.0.4 to easy-install.pth file
Installing chardetect-script.py script to C:\Users\Star Platinum\AppData\Local\Programs\Python\Python35\Scripts
Installing chardetect.exe script to C:\Users\Star Platinum\AppData\Local\Programs\Python\Python35\Scripts
Using c:\users\star platinum\appdata\local\programs\python\python35\lib\site-packages
Finished processing dependencies for scrapy-plus==1.0
#六、框架运行
##1 编写main.py 在其他路径下创建一个项目文件夹 project_dir
# project_dir/main.py
from scrapy_plus.core.engine import Engine # 导入引擎
if __name__ == '__main__':
engine = Engine() # 创建引擎对象
engine.start() # 启动引擎
运行结果:管道中打印的item对象
报错:
File "C:\Users\Star Platinum\AppData\Local\Programs\Python\Python35\lib\site-packages\urllib3\packages\six.py", line 82, in _import_module
__import__(name)
ImportError: No module named 'http.client'
这里的问题是window下导入包的时候路径优先找本项目下的http包,所以没有找到client,解决方法是:
修改http文件夹的名字,改为htttp(自定义),同时路径也跟着修改
再不行就看看这些库是否下载,版本不对也无所谓,不要低就好
requests2.11.1
gcloud0.17.0
oauth2client3.0.0
requests-toolbelt0.7.0
python-jwt2.0.1
pycrypto2.6.1
运行成功之后显示结果:
item对象:<scrapy_plus.item.Item object at 0x10759eef0>