标准爬虫初探，来自Python之父的盛宴！

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crawl工程，这个工程的地址是https://github.com/aosabook/500lines，有兴趣的同学可以看看，是一个非常高质量的开源工程集合，据说要写一本书，不过看着代码提交记录，这本书面世时间应该不会很快。这篇文章写得很渣，错误一定要提啊。。。

　　网络爬虫从一个或若干初始网页的URL开始，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。简单的可以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crawl工程当中，完成这一过程的是crawler类，他并未采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，这可以勉强理解为基于网络连通性的A*搜索，其运行方式如下所示：

　　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，保存等待其他爬虫数据的url集合；一个done集合，保存完成页面爬取的url集合。爬虫的核心就是这个死循环，首先爬虫从todo集合当中获取一个url，然后初始化fetch对象用于获取页面上的url，最后进行任务调度执行一个url请求任务。这段流程的代码如下所示。

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()

　　一个爬虫很明显不会仅仅由一个死循环构成，在crawl外层需要其他模块支持其操作，包括网络连接，url获取，任务调度等任务，整个crawl工程的调度框架如下所示：

　　在crawl创建初始化时候首先创建一个ConnectionPool：

　　self.pool = ConnectionPool(max_pool, max_tasks)

　　其中保留属性connections和queue，分别保存连接的集合和队列，用于后续调度；而connection中存储host和端口号并支持ssl，通过asyncio.open_connection()获取连接。

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

　　self.queue = [] # [Connection, ...]

　　任务执行时crawl方法首先通过loop.run_until_complete(crawler.crawl())加载到event loop当中，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执行。

　　通过yield from和asynico.coroutine语句，将这个方法变为执行过程中的generator，在执行fetcher.fetch()方法时候如果被挂起，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加载到todo集合当中，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，采取不同的处理方式。

　　下面的代码是crawling.py文件从333行开始（crawling.py）到对应方法结束的区域，通过对页面status的判断选择不同的处理方式。其中通过正则表达式，获取页面上的url信息，这里选择为href开头的字符串，核心url提取的代码在下面：

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)         

　　通过代码，很明显就可以看出正则匹配结果存储在urls集合当中并通过for循环依次进行处理，加入到当前fetcher的crawler对象的todo集合当中。

　　在之前分析的基础上对主文件crawl.py进行进一步分析，可以得到整体爬虫的架构:

　　在主文件当中首先通过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，如果没有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，首先根据来自命令行参数对Crawler进行初始化，同时获取使用asyncio的loop event对象，执行run_until_complete方法，会一直执行到这个程序结束运行。

　　除此之外reporting.py用于打印当前任务执行情况。其中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)打印整个工程所有完成的url工作状态。

　　至此，crawl的基本框架就展现在眼前了。至于在这个程序中出现的一些不容易理解的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。


from：Wang Biao NEU 博客园