scrapy-redis源代码分析

原创文章，链接：http://blog.csdn.net/u012150179/article/details/38226253

  +  

(I) connection.py

负责依据setting中配置实例化redis连接。被dupefilter和scheduler调用。总之涉及到redis存取的都要使用到这个模块。

(II) dupefilter.py

负责运行requst的去重。实现的非常有技巧性，使用redis的set数据结构。可是注意scheduler并不使用当中用于在这个模块中实现的dupefilter键做request的调度。而是使用queue.py模块中实现的queue。

当request不反复时，将其存入到queue中。调度时将其弹出。

（III）queue.py

其作用如II所述，可是这里实现了三种方式的queue：

FIFO的SpiderQueue，SpiderPriorityQueue。以及LIFI的SpiderStack。默认使用的是第二中。这也就是出现之前文章中所分析情况的原因（链接：）。

（IV）pipelines.py

这是是用来实现分布式处理的作用。它将Item存储在redis中以实现分布式处理。

另外能够发现，相同是编写pipelines，在这里的编码实现不同于文章（链接：）中所分析的情况，因为在这里须要读取配置，所以就用到了from_crawler()函数。

（V）scheduler.py

此扩展是对scrapy中自带的scheduler的替代（在settings的SCHEDULER变量中指出），正是利用此扩展实现crawler的分布式调度。其利用的数据结构来自于queue中实现的数据结构。



scrapy-redis所实现的两种分布式：爬虫分布式以及item处理分布式就是由模块scheduler和模块pipelines实现。上述其他模块作为为二者辅助的功能模块。

（VI）spider.py

设计的这个spider从redis中读取要爬的url,然后运行爬取，若爬取过程中返回很多其它的url，那么继续进行直至全部的request完毕。

之后继续从redis中读取url，循环这个过程。

分析：在这个spider中通过connect signals.spider_idle信号实现对crawler状态的监视。当idle时。返回新的make_requests_from_url(url)给引擎，进而交给调度器调度。

原创文章，链接：http://blog.csdn.net/u012150179/article/details/38226253