500行Python 代码构建一个轻量级爬虫框架

关键时刻，第一时间送达！

引言

玩 Python 爬虫有段时间了，但是目前还是处于入门级别。xcrawler 则是利用周末时间构建的一个轻量级的爬虫框架，其中一些设计思想借鉴了著名的爬虫框架 Scrapy 。既然已经有像 Scrapy 这样优秀的爬虫框架，为何还要造轮子呢？嗯，其实最主要的还是想要将学习到 Python 知识综合起来，提高一下自己。

Features

简单、易用；

易于定制的 Spider ；

多线程实现并发下载。

待改进

更多的测试代码；

添加更多的网站爬虫示例；

完善爬虫调度，支持 Request 优先级调度。

xcrawler 介绍

项目结构

Crawler engine （生产者+消费者模型）

引擎启动时会启动一个后台线程池，后台线程池负责下载由调度器提供给它的所有 URL （Request），并将响应（Response）结果存放到队列中；

引擎的前台解析线程会不断消费处理队列中的响应（Response），并调用相应 Spider 的解析函数处理这些相应；

引擎负责处页面理解析回来的对象，所有的 对象都会被放到队列中（递归抓取时）等待处理，所有的字典对象（item）送给 Spider 的 方法处理。

配置介绍

配置项目

: 每批次之间的下载延迟（单位为秒），默认为 0；

：下载等待延迟，默认为 6 秒；

：即当下载超时后，对应的请求是否应该重试；

：并发下载数；

：请求队列大小，当队列已满时，会阻塞后续的请求。

示例配置：

Spider 基类关键方法介绍

：该方法会在引擎启动时被触发调用，你可以通过继承该方法进行一些初始化工作，比如配置 pipeline 输出文件或者数据库连接等等；

：该方法会在引擎处理空闲状态（即没有任何 requests 在队列）时被触发调用，你可以通过继承该方法给引擎添加新的请求等（使用 即可）；

：该方法会在引擎关闭时触发调用，你可以通过继承该方法并在 Spider 结束工作前做一些清理工作，如关闭文件管道、关闭数据库连接等；

：该方法会为引擎提该 Spider 的对应种子请求；

：该方法会为你的 URL 创建一个 Request 对象；

：该方法为请求的默认解析函数回调，当然你可以可以在创建 Request 时指定其它的回调函数；

：每当引擎处理一个 Spider 对应的请求时，该方法会被触发调用，你可以通过继承该方法对 request 做些设置，比如更换随机的 User - Agent ，替换 Cookies 或者代理等；当然，你可以将 request 设置为 None 从而忽略该请求；

：每当引擎处理一个 Spider 对应的响应时，该方法会被触发调用；

：每当引擎处理一个 Spider 对应的 item 时，该方法会被触发调用，你可以通过继承该方法将抓取并解析到的 item 存储到数据库或者本地文件中。

注意

你可以在一个 Crawler 进程中装入不同的 Spider class ，但需要保证不同的 Spider 的名称也要不同，否则会被引擎拒绝；

需要根据情况调整下载延迟和并发数大小；下载延迟尽量不要太大，否则每批请求可能会等待较长时间才会处理完成，从而影响爬虫性能；

Windows 下的测试还没做，我用的是 Ubuntu ，所以如果您有什么问题，欢迎反馈哈！

安装

请移步项目主页 xcrawler (https://github.com/chrisleegit/xcrawler) 下载源码；

请保证你的安装环境为 ；

请使用 安装即可。

示例

版权声明

作者：chris@克里斯的小屋

原文：http://blog.chriscabin.com/coding-life/webcrawler/xcrawler/1512.html

Python开发整理发布，转载请联系作者获得授权