python---twisted的使用，使用其模拟Scrapy

twisted的网络使用

twisted的异步使用

一：简单使用

from twisted.internet import defer
from twisted.web.client import getPage
from twisted.internet import reactor

def one_done(arg):
    print(arg)

def all_done(arg):
    print("all done")
    reactor.stop()

@defer.inlineCallbacks
def task(url):
    res = getPage(bytes(url,encoding="utf-8"))  #获取页面，发送http请求,是使用select池将所有socket请求保存，依据此进行计数。
    print('6',type(res))　　　　#<class 'twisted.internet.defer.Deferred'>
    res.addCallback(one_done)   #对每一个请求都添加一个回调方法
    yield res   #返回他

start_url_list = [
    'http://www.baidu.com',
    'http://www.github.com',
]

defer_list = []
for url in start_url_list:
    v = task(url)   #发送请求后立即返回，不等待返回，v是一个特殊对象，标志你发送到那个请求
    print(v,type(v))
    defer_list.append(v)

d = defer.DeferredList(defer_list)  #将上面的特殊对象列表一起放入DeferredList
d.addBoth(all_done)　　#为所有对象添加回调

reactor.run()　　#会一直循环，我们需要在任务执行完毕后关闭。含有计数器，执行一个任务，会执行一次one_done,计数减一。单任务执行完毕，计数为0，执行all_done

二：模块了解，getPage创建连接，放入select池中，进行计数，在事件循环时依据计数进行关闭（所以执行后自动关闭）

from twisted.internet import defer
from twisted.web.client import getPage
from twisted.internet import reactor

def one_done(arg):
    print(arg)

def all_done(arg):
    print("all done")
    reactor.stop()

@defer.inlineCallbacks
def task(url):
    res = getPage(bytes(url,encoding="utf-8"))  #获取页面，发送http请求，创建socket
    res.addCallback(one_done)   #对每一个请求都添加一个回调方法
    yield res   #返回他

    res = getPage(bytes(url,encoding="utf-8"))  #获取页面，发送http请求
    res.addCallback(one_done)   #对每一个请求都添加一个回调方法
    yield res   #返回他


start_url_list = [
    'http://www.baidu.com',
    'http://cn.bing.com',
]

defer_list = []
for url in start_url_list:
    v = task(url)   #发送请求后立即返回，不等待返回，v是一个特殊对象，标志你发送到那个请求
    print(v,type(v))
    defer_list.append(v)

d = defer.DeferredList(defer_list)  #将上面的特殊对象列表一起放入DeferredList
d.addBoth(all_done)#为所有对象添加回调

reactor.run()#会一直循环，我们需要在任务执行完毕后关闭。含有计数器，执行一个任务，会执行一次one_done,计数减一。单任务执行完毕，计数为0，执行all_done

 

三：Deferred创建一个特殊socket对象，不放人select池，不发送请求，需要我们自己去终止

# coding:utf8
# __author:  Administrator
# date:      2018/6/28 0028
# /usr/bin/env python
from twisted.internet import defer
from twisted.web.client import getPage
from twisted.internet import reactor


def one_done(arg):
    print(arg)


def all_done(arg):
    print("all done")
    reactor.stop()


@defer.inlineCallbacks
def task():
    url = "http://www.baidu.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    url = "http://cn.bing.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    url = "http://www.cctv.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    yield defer.Deferred()


defer_list = []
v = task()  # 发送请求后立即返回，不等待返回，v是一个特殊对象，标志你发送到那个请求
defer_list.append(v)

d = defer.DeferredList(defer_list)  # 将上面的特殊对象列表一起放入DeferredList
d.addBoth(all_done)  # 为所有对象添加回调

reactor.run()  # 会一直循环，我们需要在任务执行完毕后关闭。含有计数器，执行一个任务，会执行一次one_done,计数减一。单任务执行完毕，计数为0，执行all_done

 注意：

 会执行每个getPage的回调 ，不会执行所有请求的公共回调，所有可以在每个的回调中进行处理，让他（将他设为全局）暂停。

count = 0
_close = None

def one_done(arg):
    print(arg)
    global count
    count += 1
    if count == 3:　　#callback(None)会停止Deferred对象
        _close.callback(None)　　#可以知道获取的响应数据是在事件循环中才去read，task方法只是创建写入socket

def all_done(arg):
    print("all done")
    reactor.stop()


@defer.inlineCallbacks　　#协程预激活器，在装饰器内部先使用send(None)激活协程
def task():
    url = "http://www.baidu.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    url = "http://cn.bing.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    url = "http://www.cctv.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    global _close
    _close = defer.Deferred()
    yield _close


defer_list = []
v = task()  # 发送请求后立即返回，不等待返回，v是一个特殊对象，标志你发送到那个请求
defer_list.append(v)

d = defer.DeferredList(defer_list)  # 将上面的特殊对象列表一起放入DeferredList
d.addBoth(all_done)  # 为所有对象添加回调

reactor.run()  # 会一直循环，我们需要在任务执行完毕后关闭。含有计数器，执行一个任务，会执行一次one_done,计数减一。单任务执行完毕，计数为0，执行all_done

四：简单模拟一次请求

from twisted.internet import defer
from twisted.internet.defer import Deferred

_close = None

def one_done(arg):
    print(arg)
    _close.callback(None)　　#将Deferred对象停止，之后才会去执行all_done,在all_done中终止掉事件循环

def all_done(arg):
    print("all done")
    reactor.stop()

def coro_active(func):
    def inner(*args,**kwargs):
        gen = func(*args,**kwargs)
        deferred = Deferred()
        global _close
        _close = deferred
        result = gen.send(None) #预激活完成，执行到yield res

        if isinstance(result, Deferred):
            # a deferred was yielded, get the result.
            return deferred #返回一个特殊socket对象，不会发送请求，阻塞在这，在事件循环中，会被自动停止
    return inner

@coro_active　　#协程预激活器
def task():
    url = "http://www.baidu.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    #内部对getPage的deferred进行了计数（是使用了队列），当运行一个getPage就会减一self._cancellations-=1，当为0时会退出循环，但是当我们自己返回一个deferred对象，则该对象计数不会自动去销毁，导致一直处于IO循环
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    yield res


defer_list = []
v = task()  # 发送请求后立即返回，不等待返回，v是一个特殊对象，标志你发送到那个请求
print(v)
defer_list.append(v)

d = defer.DeferredList(defer_list)  # 将上面的特殊对象列表一起放入DeferredList
d.addBoth(all_done)  # 为所有对象添加回调

reactor.run()

注意：在上面正常使中yield getPage(...)，@defer.inlineCallbacks预激活器也是返回了一个Deferred对象，他是否在预激活器中使用了一样的方法。

五：Scrapy模拟

from twisted.internet import defer
from twisted.web.client import getPage
from twisted.internet import reactor

count = 0
_close = None

def one_done(arg):
    print(arg)
    global count
    count += 1
    if count == 6:
        _close.callback(None)
        pass



def all_done(arg):
    print("all done")
    reactor.stop()

@defer.inlineCallbacks
def task(): #一个task相当于一个爬虫
    #看做是递归的
    #第一个是start_url
    url = "http://www.baidu.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    #下面两个可以看做parse中yield Request获取的请求
    url = "http://cn.bing.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    url = "http://www.cctv.com"
    res = getPage(bytes(url, encoding="utf-8"))  # 获取页面，发送http请求
    res.addCallback(one_done)  # 对每一个请求都添加一个回调方法

    #若是任务没有结束，Deferred对象就一直hold住事件循环，当任务结束，事件循环停止
    global _close
    if not _close:
        _close = defer.Deferred()
    yield _close


spider1 = task()
spider2 = task()
#两个爬虫都是并发的，内部请求也是并发的

d = defer.DeferredList([spider1,spider2])  # 将上面的特殊对象列表一起放入DeferredList
d.addBoth(all_done)  # 为所有对象添加回调

reactor.run()  # 会一直循环，我们需要在任务执行完毕后关闭。含有计数器，执行一个任务，会执行一次one_done,计数减一。单任务执行完毕，计数为0，执行all_done

 六：Lower版Scrapy

from twisted.internet import defer
from twisted.internet import reactor
from twisted.web.client import getPage
import queue

#放置url，是调度器
Q = queue.Queue()

#定义的请求类，封装请求数据
class Request:
    def __init__(self,url,callback):
        self.url = url
        self.callback = callback

#定义响应类，将获取的数据进行封装处理
class HttpResponse:
    def __init__(self,content,request):
        self.content = content
        self.request = request
        self.url = request.url
        self.text = str(content,encoding="utf-8")

#定义的爬虫
class ChoutiSpider:
    name = "chouti"
    start_url = ["http://www.baidu.com","http://www.baidu.com"]

    def start_request(self):
        for url in self.start_url:
            yield Request(url,self.parse)

    def parse(self,response):
        print(response.text)
        yield Request("http://www.baidu.com",callback=self.parse)

#引擎中心
class Engine:
    def __init__(self):
        self._close = None
        self.max = 5    #最大并发数限制
        self.crawlling = []
    
    #我们不直接去调用用户的回调函数，我们先调用自定义的回调方法，在这个方法中去调用用户的回调，所以我们可以完善用户的方法
    def get_response_callback(self,content,request):
        #request中含有请求，content是响应
        # 1.crawlling移除
        # 2.获取parse yield值
        # 3.再次去队列中获取
        self.crawlling.remove(request)
        req = HttpResponse(content=content,request=request)
        result = request.callback(req) #若是回调parse中只有输出，返回None，有yield则返回生成器
        import types
        if isinstance(result,types.GeneratorType):  #若是生成器，代表用户又发送了请求，我们需要去迭代获取请求，放入调度器，等待获取
            for req in result:  #多个yield
                Q.put(req)

    def _next_request(self):
        if Q.qsize() == 0 and len(self.crawlling) == 0:
            self._close.callback(None)
            return

        if len(self.crawlling) >= self.max:
            return
        while len(self.crawlling) < self.max:
            try:
                req = Q.get(block=False)
                self.crawlling.append(req)
                d = getPage(req.url.encode("utf-8"))
                #任务下载完成，get_response_callback,调用用户spider中定义的parse方法，并且将新请求添加到调度器
                d.addCallback(self.get_response_callback,req)
                #因为上面处理将移除一个请求，所以现在未达到最大并发数，可以再去调度器中获取Request
                # d.addCallback(self._next_request)   #上面的addCallback可能会在向队列中发送请求
                d.addCallback(lambda _:reactor.callLater(0,self._next_request)) #可以交给reactor调用，内部维护，防止死循环
            except Exception as e:
                return
    
    @defer.inlineCallbacks
    def crawl(self,spider):
        #开始进行下载
        #将初始Request对象添加到调度器
        start_request = iter(spider.start_request())
        while True:
            try:
                request = next(start_request)   #next激活，获取request对象，两步含有url和回调方法，我们将其放入调度器，等待去下载数据
                Q.put(request)
            except StopIteration as e:
                break

        #反复去调度器中去任务，并发送请求，下载数据
        # self._next_request()
        reactor.callLater(0, self._next_request)    #0秒后调用_next_request方法

        self._close = defer.Deferred()
        yield self._close

_active = set()
engine = Engine()

spider = ChoutiSpider()
d = engine.crawl(spider)    #由于返回的是Deferred对象，会阻塞在此，等待close后进行
_active.add(d)

dd = defer.DeferredList(_active)
dd.addBoth(lambda _:reactor.stop())

reactor.run()

 

 七：完善版Scrapy

from twisted.internet import defer
from twisted.internet import reactor
from twisted.web.client import getPage
from queue import Queue

#定义的请求类，封装请求数据
class Request:
    def __init__(self,url,callback):
        self.url = url
        self.callback = callback

#定义响应类，将获取的数据进行封装处理
class HttpResponse:
    def __init__(self,content,request):
        self.content = content
        self.request = request
        self.url = request.url
        self.text = str(content,encoding="utf-8")


class Scheduler(object):
    """
    任务调度器
    """
    def __init__(self):
        self.q = Queue()

    def open(self):
        pass

    def next_request(self):
        try:
            req = self.q.get(block=False)
        except Exception as e:
            req = None
        return req

    def enqueue_request(self,req):
        self.q.put(req)

    def size(self):
        return self.q.qsize()


class ExecutionEngine:
    '''引擎：负责所有调度'''
    def __init__(self):
        self._close = None
        self.scheduler = None
        self.max = 5
        self.crawlling = []


    def get_response_callback(self,content,request):
        self.crawlling.remove(request)
        response = HttpResponse(content,request)
        result = request.callback(response)
        import types
        if isinstance(result,types.GeneratorType):
            for req in result:
                self.scheduler.enqueue_request(req)

    def _next_request(self):
        if self.scheduler.size() == 0 and len(self.crawlling) == 0:
            self._close.callback(None)
            return

        while len(self.crawlling) < self.max:
            req = self.scheduler.next_request()
            if not req:
                return
            self.crawlling.append(req)
            d = getPage(req.url.encode('utf-8'))
            d.addCallback(self.get_response_callback,req)
            d.addCallback(lambda _:reactor.callLater(0,self._next_request))

    @defer.inlineCallbacks
    def open_spider(self,start_requests):
        self.scheduler = Scheduler()
        yield self.scheduler.open() #yield None只是为了不报错，因为在defer.inlineCallbacks需要当前函数是生成器
        while True:
            try:
                req = next(start_requests)
            except StopIteration as e:
                break
            self.scheduler.enqueue_request(req)
        reactor.callLater(0,self._next_request)

    @defer.inlineCallbacks
    def start(self):
        self._close = defer.Deferred()
        yield self._close

class Crawler:
    '''用户封装调度器以及引擎'''
    def _create_engine(self):
        return ExecutionEngine()

    def _create_spider(self,spider_cls_path):
        module_path,cls_name = spider_cls_path.rsplit(".",maxsplit=1)
        import importlib
        m = importlib.import_module(module_path)
        cls = getattr(m,cls_name)
        return cls()

    @defer.inlineCallbacks
    def crawl(self,spider_cls_path):
        engine = self._create_engine()
        print(engine)   #每个爬虫创建一个引擎，一个调度器，去并发爬虫中的请求
        spider = self._create_spider(spider_cls_path)
        start_requests = iter(spider.start_requests())
        yield engine.open_spider(start_requests)
        yield engine.start()

class CrawlerProcess:
    '''开启事件循环'''
    def __init__(self):
        self._active = set()

    def crawl(self,spider_cls_path):
        crawler = Crawler()
        d = crawler.crawl(spider_cls_path)
        self._active.add(d)

    def start(self):
        dd = defer.DeferredList(self._active)
        dd.addBoth(lambda _:reactor.stop())

        reactor.run()

class Command:
    '''命令'''
    def run(self):
        crawl_process = CrawlerProcess()
        spider_cls_path_list = ['spider.chouti.ChoutiSpider','spider.baidu.BaiduSpider']
        for spider_cls_path in spider_cls_path_list:
            crawl_process.crawl(spider_cls_path)
        crawl_process.start()

if __name__ == "__main__":
    cmd = Command()
    cmd.run()

spider目录下两个爬虫

from engine import Request
class ChoutiSpider(object):

    name = 'chouti'

    def start_requests(self):
        start_url = ['http://www.baidu.com','http://www.bing.com',]
        for url in start_url:
            yield Request(url,self.parse)

    def parse(self,response):
        print(response) #response是下载的页面
        yield Request('http://www.cnblogs.com',callback=self.parse)

from engine import Request
class CnblogsSpider(object):

    name = 'baidu'

    def start_requests(self):
        start_url = ['http://www.baidu.com',]
        for url in start_url:
            yield Request(url,self.parse)

    def parse(self,response):
        print(response) #response是下载的页面
        yield Request('http://www.baidu.com',callback=self.parse)