1,引言
《Scrapy的架构初探》一文所讲的Spider是整个架构中最定制化的一个部件,Spider负责把网页内容提取出来,而不同数据采集目标的内容结构不一样,几乎需要为每一类网页都做定制。我们有个设想:是否能做一个比较通用的Spider,把定制部分再进一步隔离出去?
GooSeeker有一个爬虫群模式,从技术实现层面来考察的话,其实就是把爬虫软件做成一个被动接受任务的执行单元,给他什么任务他就做什么任务,也就是说同一个执行单元可以爬多种不同的网站。而分配任务的是GooSeeker会员中心的爬虫罗盘,实现集中管理分布执行。
开源Python即时网络爬虫项目同样也要尽量实现通用化。主要抓取以下2个重点:
- 网页内容提取器从外部注入到Spider中,让Spider变通用:参看《Python即时网络爬虫:API说明》,通过API从GooSeeker会员中心获得网页内容提取器,可以充分利用MS谋数台的直观标注快速生成提取器的能力。
- 抓取目标网址不再存于Spider,而是从外部获得:GooSeeker有个基于大数据平台的网址库系统,还有爬虫罗盘可观察网址的抓取状态,也有用户界面添加删除网址,把Spider进一步做成一个执行机构。
下面我们将进一步讲解实现原理,以助于读者阅读源码。
2,爬虫群模式示意图
中间蓝色部分就是GooSeeker会员中心的地址库和爬虫罗盘。网址和提取规则本来应该硬编码到Spider中的,现在隔离出来,由会员中心进行管理,那么Spider就很容易做通用了。
3,通用Spider的主要功能
地址库和提取规则隔离出来以后,Scrapy的Spider可以专注于以下流程:
- 通过API从GooSeeker会员中心获取内容提取器:这个API的url可以硬编码到Spider中,放在start_urls列表的位置, 这里本来是放目标网页地址的,现在换成一个固定的API地址,在这一点上,Spider变通用了
- 在第一个parse()过程,不是解析目标网页内容,而是把API中获得内容提取器注入到gsExtractor中。
- 在第一个parse()过程,为第二个API构造一个Request,目的是从GooSeeker会员中心获取要爬取的网址
- 在第二个parse()过程,用目标网址构造一个Request,这才是真正的交给Loader去下载目标网页
- 在第三个parse()过程,利用gsExtractor提取网页内容
- 在第三个parse()过程,再次为第二个API构造一个Request,获得下一个目标网址
- 跳到4,一直循环,直到GooSeeker会员中心的地址库都用完了。
4,接下来的工作
1,按照上述设想编写和调测Scrapy的通用Spider
2,研究是否可以更加通用,把GooSeeker的爬虫群调度都引入到Spider中,也就是在通过第一个API获得提取器之前再增加一个获得爬虫群调度任务的过程,这样,把所有Spider都变成被动接受任务的工作模式,每个Spider是不固定抓取规则的。
5,相关文档
1, Python即时网络爬虫项目: 内容提取器的定义
2, Scrapy:python3下的第一次运行测试
6,集搜客GooSeeker开源代码下载源
7,文档修改历史
2016-07-06:V1.0,首次发布
2016-07-06:V1.1,编辑修改,补充过程描述文字