CrawlSpider类的工作原理 - python学习教程_python基础教程_ python培训

接下来，我们通过分析CrawlSpider类的实现代码，来探寻CrawlSpider自动爬取全站网页的原理。因为CrawlSpider继承了Spider，所以具有Spider的所有函数，此外，它还定义了自己的若干属性和方法。CrawlSpider类的新属性名为rules。

rules属性表示一个包含一个或多个Rule对象的列表。每个rule对爬取网站的动作定义了特定表现。Rule对象在后续会进行介绍。如果多个rule匹配了同一个链接，则根据它们在本属性中定义的顺序，使用第一个rule。

CrawlSpider类还定义了若干方法，这些方法的名称和说明如表1所示。

表1 CrawlSpider类的方法

名称	说明
初始化方法	负责初始化，并调用了_compile_rules方法。
parse	该方法进行了重写，在实现体中直接调用方法_parse_response，并把parse_start_url方法作为处理response的方法。
parse_start_url	该方法的主要作用是处理parse返回的response，比如提取出需要的数据等。该方法需要返回item、request或者它们的可迭代对象。
_requests_to_follow	该方法的作用是从response中解析出目标url，并将其包装成request请求。该请求的回调方法是_response_downloaded，这里为request的meta值添加了rule参数，该参数的值是这个url对应rule在rules中的下标。
_response_downloaded	该方法是方法_requests_to_follow的回调方法，其作用就是调用_parse_response方法，处理下载器返回的response，设置response的处理方法为rule.callback方法。
_parse_response	该方法将resposne交给参数callback代表的方法去处理，然后处理callback方法的requests_or_item。再根据rule.follow and spider._follow_links来判断是否继续采集，如果继续那么就将response交给_requests_to_follow方法，根据规则提取相关的链接。spider._follow_links的值是从settings的CRAWLSPIDER_FOLLOW_LINKS值获取到的。
_compile_rules	这个方法的作用就是将rule中的字符串表示的方法改成实际的方法，方便以后使用。

当CrawlSpider爬虫运行时，首先由start_requests方法（继承自Spider类）对start_urls中的每一个url发起请求（使用make_requests_from_url方法，继承自Spider类)。网页请求发出后返回的Response会被parse方法接收。在Spider里面的parse需要我们定义，但CrawlSpider类里使用了parse方法来解析响应，其代码如下所示。

  def parse(self, response):
     return self._parse_response(response, self.parse_start_url,
     cb_kwargs={}, follow=True)

从上述代码可知，CrawlSpider类的parse方法直接调用了_parse_response方法。

_parse_response方法用于处理response对象，它根据有无callback，follow和self.follow_links执行不同的操作，其源代码如下所示。

def _parse_response(self, response, callback, cb_kwargs, follow=True):
  #如果传入了callback，使用这个callback解析页面并获取解析得到的reques或item
     if callback:
       cb_res = callback(response, **cb_kwargs) or ()
       cb_res = self.process_results(response, cb_res)
       for requests_or_item in iterate_spider_output(cb_res):
         yield requests_or_item
  # 其次判断有无follow，用_requests_to_follow解析响应是否有符合要求的link。
     if follow and self._follow_links:
       for request_or_item in self._requests_to_follow(response):
         yield request_or_item

其中_ requests_to_follow方法又会获取link_extractor解析页面得到的link（link_extractor.extract_links(response)），对url进行加工（process_links，需要自定义），对符合的link发起Request。使用.process_request（需要自定义）处理响应。_requests_to_follow方法的源代码如下所示。

def _requests_to_follow(self, response):
     if not isinstance(response, HtmlResponse):
       return
     seen = set()
     for n, rule in enumerate(self._rules):
       links = [lnk for lnk in rule.link_extractor.extract_links(response)
            if lnk not in seen]
       if links and rule.process_links:
         links = rule.process_links(links)
       for link in links:
         seen.add(link)
         r = self._build_request(n, link)
         yield rule.process_request(r)

在_requests_to_follow方法中，使用了set类型来记录提取出的链接，这是因为set类型本身就有去重的功能。

那么CrawlSpider如何获取rules呢？

CrawlSpider类会在 _ _ init_ _ 方法中调用_ compile_rules方法，然后在其中浅拷贝rules中的各个Rule获取要用于回调（callback），要进行处理的链接（process_links）和要进行的处理请求（process_request)。_compile_rules方法的源码如下所示。

def _compile_rules(self):
     def get_method(method):
       if callable(method):
         return method
       elif isinstance(method, six.string_types):
         return getattr(self, method, None)
     self._rules = [copy.copy(r) for r in self.rules]
     for rule in self._rules:
       rule.callback = get_method(rule.callback)
       rule.process_links = get_method(rule.process_links)
       rule.process_request = get_method(rule.process_request)

通过分析CrawlSpider类的源码，我们知道了CrawlSpider类的工作原理，对理解和使用CrawlSpider类都大有裨益。