转载：https://www.jqhtml.com/11084.html

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

1.简单、易用；

2.易于定制的 Spider；

3.多线程实现并发下载。

待改进

1.更多的测试代码；

2.添加更多的网站爬虫示例；

3.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)

1.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；

2.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；

3.引擎负责处页面理解析回来的对象，所有的 Request 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 process_item 方法处理。

配置介绍

配置项目

1.download_delay: 每批次之间的下载延迟(单位为秒)，默认为 0；

2.download_timeout：下载等待延迟，默认为 6 秒；

3.retry_on_timeout：即当下载超时后，对应的请求是否应该重试；

4.concurrent_requests：并发下载数；

5.queue_size：请求队列大小，当队列已满时，会阻塞后续的请求。

示例配置：

settings ={

'download_delay': 0,

'download_timeout': 6,

'retry_on_timeout': True,

'concurrent_requests': 32,

'queue_size': 512

}

Spider 基类关键方法介绍

1.spider_started：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；

2.spider_idle：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 self.crawler.crawl(new_request, spider=self) 即可)；

3.spider_stopped：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；

4.start_requests：该方法会为引擎提该 Spider 的对应种子请求；

5.make_requests_from_url：该方法会为你的 URL 创建一个 Request 对象；

6.parse：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；

7.process_request：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；

8.proccess_response：每当引擎处理一个 Spider 对应的响应时，该方法会被触发调用；

9.process_item：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

1.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；

2.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；

3.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

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

2.请保证你的安装环境为 Python 3.4+；

3.请使用 pip3 setup.py install 安装即可。

示例