scrapy原码解读---CrawlSpider

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qd_ltf/article/details/79782005

CrawlSpider也继承自Spider，所以具备它的所有特性，在CrawlSpider源码中最先定义的是类Rule。

一、Rule类

class Rule(object):

    def __init__(self, link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=identity):
            self.link_extractor = link_extractor
            self.callback = callback
            self.cb_kwargs = cb_kwargs or {}
            self.process_links = process_links
            self.process_request = process_request
            if follow is None:
                self.follow = False if callback else True
            else:
                self.follow = follow

link_extractor：

该方法是一个Link Extractor实例，主要定义的就是链接的解析规则。默认的link解析器是LinkExtractor，也就是LxmlLinkExtractor。在之前的scrapy版本中还有其他的解析器，不过现在已经弃用了。

callback：

该值可以是一个方法，也可以是一个字符串（spider实例中一个方法的名称）。它就是一个回调方法，要慎用parse做为回调方法，因为这边的parse已经不像spider类中的那样没有具体操作。

cb_kwargs：

这是一个字典，用于给callback方法传递参数

follow：

是一个布尔对象，表示是当前response否继续采集。如果callback是None，那么它就默认为True，否则为False。

process_links：

该方法在crawlspider中的_requests_to_follow方法中被调用，它接收一个元素为Link的列表作为参数，返回值也是一个元素为Link的列表。可以用该方法对采集的Link对象进行修改，比如修改Link.url。这里的如果你的目标url是相对的链接，那么scrapy会将其扩展成绝对的。

process_request：

用于处理request的，根据需要，可以自己构造该方法。

二、CrawlSpider类

代码流程图

crawl.py原码

import copy
import six

from scrapy.http import Request, HtmlResponse
from scrapy.utils.spider import iterate_spider_output
from scrapy.spiders import Spider


def identity(x):
    return x


class Rule(object):

    def __init__(self, link_extractor, callback=None, cb_kwargs=None, follow=None, process_links=None, process_request=identity):
        self.link_extractor = link_extractor
        self.callback = callback
        self.cb_kwargs = cb_kwargs or {}
        self.process_links = process_links
        self.process_request = process_request
        if follow is None:
            self.follow = False if callback else True
        else:
            self.follow = follow


class CrawlSpider(Spider):

    rules = ()

    def __init__(self, *a, **kw):
        super(CrawlSpider, self).__init__(*a, **kw)
        self._compile_rules()

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

    def parse_start_url(self, response):
        return []

    def process_results(self, response, results):
        return results

    def _build_request(self, rule, link):
        r = Request(url=link.url, callback=self._response_downloaded)
        r.meta.update(rule=rule, link_text=link.text)
        return r

    def _requests_to_follow(self, response):
        # 阅读源码可以发现，它的作用就是从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。
        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)

    def _response_downloaded(self, response):
        rule = self._rules[response.meta['rule']]
        return self._parse_response(response, rule.callback, rule.cb_kwargs, rule.follow)

    def _parse_response(self, response, callback, cb_kwargs, follow=True):
        # 核心函数。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。
        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

        if follow and self._follow_links:
            for request_or_item in self._requests_to_follow(response):
                yield request_or_item

    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)

    @classmethod
    def from_crawler(cls, crawler, *args, **kwargs):
        spider = super(CrawlSpider, cls).from_crawler(crawler, *args, **kwargs)
        spider._follow_links = crawler.settings.getbool(
            'CRAWLSPIDER_FOLLOW_LINKS', True)
        return spider

    def set_crawler(self, crawler):
        super(CrawlSpider, self).set_crawler(crawler)
        self._follow_links = crawler.settings.getbool('CRAWLSPIDER_FOLLOW_LINKS', True)