在這篇文章中,我們將分析一個網路爬蟲。
網路爬蟲是一個掃描網路內容並記錄其有用資訊的工具。它能開啟一大堆網頁,分析每個頁面的內容以便尋找所有感興趣的資料,並將這些資料儲存在一個資料庫中,然後對其他網頁進行同樣的操作。
如果爬蟲正在分析的網頁中有一些連結,那麼爬蟲將會根據這些連結分析更多的頁面。
搜尋引擎就是基於這樣的原理實現的。
這篇文章中,我特別選了一個穩定的、”年輕”的開源專案pyspider,它是由 binux 編碼實現的。
注:據認為pyspider持續監控網路,它假定網頁在一段時間後會發生變化,因此一段時間後它將會重新訪問相同的網頁。
概述
爬蟲pyspider主要由四個元件組成。包括排程程式(scheduler),抓取程式(fetcher),內容處理程式(processor)以及一個監控元件。
排程程式接受任務並決定該做什麼。這裡有幾種可能性,它可以丟棄一個任務(可能這個特定的網頁剛剛被抓取過了),或者給任務分配不同的優先順序。
當各個任務的優先順序確定之後,它們被傳入抓取程式。它重新抓取網頁。這個過程很複雜,但邏輯上比較簡單。
當網路上的資源被抓取下來,內容處理程式就負責抽取有用的資訊。它執行一個使用者編寫的Python指令碼,這個指令碼並不像沙盒一樣被隔離。它的職責還包括捕獲異常或日誌,並適當地管理它們。
最後,爬蟲pyspider中有一個監控元件。
爬蟲pyspider提供一個異常強大的網頁介面(web ui),它允許你編輯和除錯你的指令碼,管理整個抓取過程,監控正在進行的任務,並最終輸出結果。
專案和任務
在pyspider中,我們有專案和任務的概念。
一個任務指的是一個需要從網站檢索並進行分析的單獨頁面。
一個專案指的是一個更大的實體,它包括爬蟲涉及到的所有頁面,分析網頁所需要的python指令碼,以及用於儲存資料的資料庫等等。
在pyspider中我們可以同時執行多個專案。
程式碼結構分析
根目錄
在根目錄中可以找到的資料夾有:
•data,空資料夾,它是存放由爬蟲所生成的資料的地方。
•docs,包含該專案文件,裡邊有一些markdown程式碼。
•pyspider,包含專案實際的程式碼。
•test,包含相當多的測試程式碼。
這裡我將重點介紹一些重要的檔案:
•.travis.yml,一個很棒的、連續性測試的整合。你如何確定你的專案確實有效?畢竟僅在你自己的帶有固定版本的庫的機器上進行測試是不夠的。
•Dockerfile,同樣很棒的工具!如果我想在我的機器上嘗試一個專案,我只需要執行Docker,我不需要手動安裝任何東西,這是一個使開發者參與到你的專案中的很好的方式。
•LICENSE,對於任何開源專案都是必需的,(如果你自己有開源專案的話)不要忘記自己專案中的該檔案。
•requirements.txt,在Python世界中,該檔案用於指明為了執行該軟體,需要在你的系統中安裝什麼Python包,在任何的Python專案中該檔案都是必須的。
•run.py,該軟體的主入口點。
•setup.py,該檔案是一個Python指令碼,用於在你的系統中安裝pyspider專案。
已經分析完專案的根目錄了,僅根目錄就能說明該專案是以一種非常專業的方式進行開發的。如果你正在開發任何的開源程式,希望你能達到這樣的水準。
資料夾pyspider
讓我們更深入一點兒,一起來分析實際的程式碼。
在這個資料夾中還能找到其他的資料夾,整個軟體背後的邏輯已經被分割,以便更容易的進行管理和擴充套件。
這些資料夾是:database、fetcher、libs、processor、result、scheduler、webui。
在這個資料夾中我們也能找到整個專案的主入口點,run.py。
檔案run.py
這個檔案首先完成所有必需的雜事,以保證爬蟲成功地執行。最終它產生所有必需的計算單元。向下滾動我們可以看到整個專案的入口點,cli()。
函式cli()
這個函式好像很複雜,但與我相隨,你會發現它並沒有你想象中複雜。函式cli()的主要目的是建立資料庫和訊息系統的所有連線。它主要解析命令列引數,並利用所有我們需要的東西建立一個大字典。最後,我們通過呼叫函式all()開始真正的工作。
函式all()
一個網路爬蟲會進行大量的IO操作,因此一個好的想法是產生不同的執行緒或子程式來管理所有的這些工作。通過這種方式,你可以在等待網路獲取你當前html頁面的同時,提取前一個頁面的有用資訊。
函式all()決定是否執行子程式或者執行緒,然後呼叫不同的執行緒或子程式裡的所有的必要函式。這時pyspider將產生包括webui在內的,爬蟲的所有邏輯模組所需要的,足夠數量的執行緒。當我們完成專案並關閉webui時,我們將乾淨漂亮地關閉每一個程式。
現在我們的爬蟲就開始執行了,讓我們進行更深入一點兒的探索。
排程程式
排程程式從兩個不同的佇列中獲取任務(newtask_queue和status_queue),並把任務加入到另外一個佇列(out_queue),這個佇列稍後會被抓取程式讀取。
排程程式做的第一件事情是從資料庫中載入所需要完成的所有的任務。之後,它開始一個無限迴圈。在這個迴圈中會呼叫幾個方法:
1._update_projects():嘗試更新的各種設定,例如,我們想在爬蟲工作的時候調整爬取速度。
2._check_task_done():分析已完成的任務並將其儲存到資料庫,它從status_queue中獲取任務。
3._check_request():如果內容處理程式要求分析更多的頁面,把這些頁面放在佇列newtask_queue中,該函式會從該佇列中獲得新的任務。
4._check_select():把新的網頁加入到抓取程式的佇列中。
5._check_delete():刪除已被使用者標記的任務和專案。
6._try_dump_cnt():記錄一個檔案中已完成任務的數量。對於防止程式異常所導致的資料丟失,這是有必要的。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 |
def run(self): while not self._quit: try: time.sleep(self.LOOP_INTERVAL) self._update_projects() self._check_task_done() self._check_request() while self._check_cronjob(): pass self._check_select() self._check_delete() self._try_dump_cnt() self._exceptions = 0 except KeyboardInterrupt: break except Exception as e: logger.exception(e) self._exceptions += 1 if self._exceptions > self.EXCEPTION_LIMIT: break continue |
迴圈也會檢查執行過程中的異常,或者我們是否要求python停止處理。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
finally: # exit components run in subprocess for each in threads: if not each.is_alive(): continue if hasattr(each, 'terminate'): each.terminate() each.join() |
抓取程式
抓取程式的目的是檢索網路資源。
pyspider能夠處理普通HTML文字頁面和基於AJAX的頁面。只有抓取程式能意識到這種差異,瞭解這一點非常重要。我們將僅專注於普通的html文字抓取,然而大部分的想法可以很容易地移植到Ajax抓取器。
這裡的想法在某種形式上類似於排程程式,我們有分別用於輸入和輸出的兩個佇列,以及一個大的迴圈。對於輸入佇列中的所有元素,抓取程式生成一個請求,並將結果放入輸出佇列中。
它聽起來簡單但有一個大問題。網路通常是極其緩慢的,如果因為等待一個網頁而阻止了所有的計算,那麼整個過程將會執行的極其緩慢。解決方法非常的簡單,即不要在等待網路的時候阻塞所有的計算。這個想法即在網路上傳送大量訊息,並且相當一部分訊息是同時傳送的,然後非同步等待響應的返回。一旦我們收回一個響應,我們將會呼叫另外的回撥函式,回撥函式將會以最適合的方式管理這樣的響應。
爬蟲pyspider中的所有的複雜的非同步排程都是由另一個優秀的開源專案tornado完成。
現在我們的腦海裡已經有了極好的想法了,讓我們更深入地探索這是如何實現的。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
def run(self): def queue_loop(): if not self.outqueue or not self.inqueue: return while not self._quit: try: if self.outqueue.full(): break task = self.inqueue.get_nowait() task = utils.decode_unicode_obj(task) self.fetch(task) except queue.Empty: break tornado.ioloop.PeriodicCallback(queue_loop, 100, io_loop=self.ioloop).start() self._running = True self.ioloop.start() <strong> 函式run()</strong> |
函式run()是抓取程式fetcher中的一個大的迴圈程式。
函式run()中定義了另外一個函式queue_loop(),該函式接收輸入佇列中的所有任務,並抓取它們。同時該函式也監聽中斷訊號。函式queue_loop()作為引數傳遞給tornado的類PeriodicCallback,如你所猜,PeriodicCallback會每隔一段具體的時間呼叫一次queue_loop()函式。函式queue_loop()也會呼叫另一個能使我們更接近於實際檢索Web資源操作的函式:fetch()。
函式fetch(self, task, callback=None)
網路上的資源必須使用函式phantomjs_fetch()或簡單的http_fetch()函式檢索,函式fetch()只決定檢索該資源的正確方法是什麼。接下來我們看一下函式http_fetch()。
函式http_fetch(self, url, task, callback)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
def http_fetch(self, url, task, callback): '''HTTP fetcher''' fetch = copy.deepcopy(self.default_options) fetch['url'] = url fetch['headers']['User-Agent'] = self.user_agent def handle_response(response): ... return task, result try: request = tornado.httpclient.HTTPRequest(header_callback=header_callback, **fetch) if self.async: self.http_client.fetch(request, handle_response) else: return handle_response(self.http_client.fetch(request)) |
終於,這裡才是完成真正工作的地方。這個函式的程式碼有點長,但有清晰的結構,容易閱讀。
在函式的開始部分,它設定了抓取請求的header,比如User-Agent、超時timeout等等。然後定義一個處理響應response的函式:handle_response(),後邊我們會分析這個函式。最後我們得到一個tornado的請求物件request,併傳送這個請求物件。請注意在非同步和非非同步的情況下,是如何使用相同的函式來處理響應response的。
讓我們往回看一下,分析一下函式handle_response()做了什麼。
函式handle_response(response)
1 2 3 4 5 6 |
def handle_response(response): result = {} result['orig_url'] = url result['content'] = response.body or '' callback('http', task, result) return task, result |
這個函式以字典的形式儲存一個response的所有相關資訊,例如url,狀態碼和實際響應等,然後呼叫回撥函式。這裡的回撥函式是一個小方法:send_result()。
函式send_result(self, type, task, result)
1 2 3 |
def send_result(self, type, task, result): if self.outqueue: self.outqueue.put((task, result)) |
這個最後的函式將結果放入到輸出佇列中,等待內容處理程式processor的讀取。
內容處理程式processor
內容處理程式的目的是分析已經抓取回來的頁面。它的過程同樣也是一個大迴圈,但輸出中有三個佇列(status_queue, newtask_queue 以及result_queue)而輸入中只有一個佇列(inqueue)。
讓我們稍微深入地分析一下函式run()中的迴圈過程。
函式run(self)
1 2 3 4 5 6 7 8 9 10 11 12 |
def run(self): try: task, response = self.inqueue.get(timeout=1) self.on_task(task, response) self._exceptions = 0 except KeyboardInterrupt: break except Exception as e: self._exceptions += 1 if self._exceptions > self.EXCEPTION_LIMIT: break continue |
這個函式的程式碼比較少,易於理解,它簡單地從佇列中得到需要被分析的下一個任務,並利用on_task(task, response)函式對其進行分析。這個迴圈監聽中斷訊號,只要我們給Python傳送這樣的訊號,這個迴圈就會終止。最後這個迴圈統計它引發的異常的數量,異常數量過多會終止這個迴圈。
函式on_task(self, task, response)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
def on_task(self, task, response): response = rebuild_response(response) project = task['project'] project_data = self.project_manager.get(project, updatetime) ret = project_data['instance'].run( status_pack = { 'taskid': task['taskid'], 'project': task['project'], 'url': task.get('url'), ... } self.status_queue.put(utils.unicode_obj(status_pack)) if ret.follows: self.newtask_queue.put( [utils.unicode_obj(newtask) for newtask in ret.follows]) for project, msg, url in ret.messages: self.inqueue.put(({...},{...})) return True |
函式on_task()是真正幹活的方法。
它嘗試利用輸入的任務找到任務所屬的專案。然後它執行專案中的定製指令碼。最後它分析定製指令碼返回的響應response。如果一切順利,將會建立一個包含所有我們從網頁上得到的資訊的字典。最後將字典放到佇列status_queue中,稍後它會被排程程式重新使用。
如果在分析的頁面中有一些新的連結需要處理,新連結會被放入到佇列newtask_queue中,並在稍後被排程程式使用。
現在,如果有需要的話,pyspider會將結果傳送給其他專案。
最後如果發生了一些錯誤,像頁面返回錯誤,錯誤資訊會被新增到日誌中。
結束!
打賞支援我翻譯更多好文章,謝謝!
打賞譯者
打賞支援我翻譯更多好文章,謝謝!