整体流程
- 引擎找到要执行的爬虫，并执行爬虫的 start_requests 方法，并的到一个 迭代器。
- 迭代器循环时会获取Request对象，而request对象中封装了要访问的URL和回调函数。
- 将所有的request对象(任务)放到调度器中，用于以后被下载器下载。
- 下载器去调度器中获取要下载任务（就是Request对象），下载完成后执行回调函数。
- 回到spider的回调函数中，
yield Request()
yield Item()
具体流程
1. scrapy crawl chouti --nolog
2. 找到 SCHEDULER = "scrapy_redis.scheduler.Scheduler" 配置并实例化调度器对象
- 执行Scheduler.from_crawler
- 执行Scheduler.from_settings
- 读取配置文件：
SCHEDULER_PERSIST # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
SCHEDULER_FLUSH_ON_START # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
SCHEDULER_IDLE_BEFORE_CLOSE # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
- 读取配置文件：
SCHEDULER_QUEUE_KEY # %(spider)s:requests
SCHEDULER_QUEUE_CLASS # scrapy_redis.queue.FifoQueue
SCHEDULER_DUPEFILTER_KEY # '%(spider)s:dupefilter'
DUPEFILTER_CLASS # 'scrapy_redis.dupefilter.RFPDupeFilter'
SCHEDULER_SERIALIZER # "scrapy_redis.picklecompat"
- 读取配置文件：
REDIS_HOST = '140.143.227.206' # 主机名
REDIS_PORT = 8888 # 端口
REDIS_PARAMS = {'password':'beta'} # Redis连接参数 默认：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
REDIS_ENCODING = "utf-8"
- 示例Scheduler对象
3. 爬虫开始执行起始URL
- 调用 scheduler.enqueue_requests()
def enqueue_request(self, request):
# 请求是否需要过滤？
# 去重规则中是否已经有？（是否已经访问过，如果未访问添加到去重记录中。）
if not request.dont_filter and self.df.request_seen(request):
self.df.log(request, self.spider)
# 已经访问过就不要再访问了
return False
if self.stats:
self.stats.inc_value('scheduler/enqueued/redis', spider=self.spider)
# print('未访问过，添加到调度器', request)
self.queue.push(request)
return True
4. 下载器去调度器中获取任务，去下载
- 调用 scheduler.next_requests()
def next_request(self):
block_pop_timeout = self.idle_before_close
request = self.queue.pop(block_pop_timeout)
if request and self.stats:
self.stats.inc_value('scheduler/dequeued/redis', spider=self.spider)
return request
