gcrawler:一个基于gevent的简单爬虫框架

引子
以前用scrapy写过一些简单的爬虫程序。但是我的需求实在太简单了，用scrapy有点大材小用，而且过于强大的缺点就是用起来太复杂，加上我也不太喜欢twisted——用各种回调实现的异步框架用起来还是不太自然。

前一阵接触了一下gevent （不知道为什么这样一个纯技术网站会在墙外），且不说据说它性能很好，关键是用patch的方式隐含提供异步支持的实现用起来真是太爽了。于是自己写了一个简单的爬虫框架，主要思路是模仿scrapy的。

关于Scrapy
首先来看Scrapy的架构（源于scrapy文档）：

用户编写的爬虫主要是需要实现Spider和Item Pipeline两部分，Scheduler和Downloader部分是由Scrapy提供，并且整个程序由Scrapy Engine所驱动。

工作流程是：程序启动后Scrapy Engine从Scheduler取得网址，然后通过Downloader去下载页面交给Spider处理，Spider分析页面后根据情况决定是继续抓下一级锭接的页面（返回一个Scrapy Request）还是返回数据（返回一个Item List），Spider返回的数据（Item List）将被汇总交给Item Pipeline处理，比如存成文件或存入数据库什么的。

之所以要重复一下Scrapy的工作流程，是因为gcrawler也是模仿这个流程来做的。

Scrapy的局限及gcrawler的特点
不过在说gcrawler之前，还是先谈一下我的需求中用Scrapy实现不太方便的地方。最主要的是我的应用中虽然也是用HTTP协议去抓取内容，但是有很多额外的要求，比如有时需要POST，有时需要BasicAuth，有时还需要处理一些特定的HTTP Header字段，这些虽然有Download Middleware也可以实现，但很不自然——一个简单的HTTP请求操作被分割得支离破碎，对于代码的日后维护会造成很大的麻烦。

比如要用feedparser读RSS，因为feedparser是下载解析一体的实现，这时Scrapy就不太方便，虽然也可以拆开实现：用Scrapy 下载再在Spider里用feedparser，但显然这种麻烦不是必要的。再比如说需要用OAuth进行REST API调用的话，用Scrapy的 Download Middleware我还真不知道要怎么做才好。

因此，gcrawler与scrapy最大的不同就是 Downloader的功能也将由用户实现（放在类似Scrapy的Spider中），用户可以自由控制下载操作的种种细节。乍一看似乎这样会增加用户的工作量，但实际上是简化了开发。比如前面说的feedparser或是OAuth调用，都可以直接实现，不用考虑分拆到不同的地方去做。那么由用户来实现下载工作会不会影响性能呢？Scrapy的一大优势就在于利用Twisted这个异步网络框架提供了网络访问的高性能。答案是不会，因为gevent提供了更为简单和高效的实现方式。二者的差异在于：

因为Scrapy是基于Twisted，而它是一个基于回调的异步框架，这就意味着用它来写 Downloader固然可以得到高性能（托异步的福），但同时带来额外的复杂性（拜回调所赐）。所以Scrapy内部实现了这个高性能的 Downloader，在提代高性能的同时屏蔽了这种复杂性，但代价就是前面所说的，用户自定义操作需要通过Middleware实现，结果还是增加了一些复杂性，并且使程序结构变得不太清晰。

而如前面所说，gevent通过patch的方式提供了隐含的异步支持，这样用户编写Downloader就成了简单的貌似“同步阻塞操作”，于是结构清晰与高性能得以兼得。个人根据gevent与twisted的性能比较猜测，能有与scrapy相当甚至可能更好的性能（纯猜测，待求证）。这是gevent相对twisted的一个巨大的优点。

gcrawler的使用
gcrawler 的使用很简单：用户需要实现一个spider类，提供三个成员函数：scheduler, worker, pipeline。其中scheduler是一个生成器，用yield依次返回请求项（比如URL），worker相当于Scrapy里的 Downloader+Spider，用于下载页面内容并解析，pipeline与Scrapy的item pipeline类似，都是用于存储最终结果用。

scheduler和pipeline没什么好说的，重点在worker里。因为 gevent有隐含异步支持，所以这里不再需要像Scrapy里那样下载一个页面解析完后需要把请求重新发回Scheduler进行调度，而是可以直接继续下载下一级链接的页面继续解析，整个流程会清晰很多，但又不会降低性能。当然要实现像Scrapy那样的方式也可以，只要在worker里把下一级页面链接再传递给scheduler即可。如果worker没有什么结果需要保存（比如上述把链接交给scheduler作下一步处理的情况），只需要简单返回一个None即可，pipeline会自动略过的。

一个简单的下载页面的例子如下：

from gcrawler import GCrawler
import urllib2
import traceback
urls=[http://www.163.com, http://www.qq.com, http://www.sina.com.cn, http://www.sohu.com, http://www.yahoo.com, http://www.baidu.com, http://www.google.com, http://www.microsoft.com]
class DummySpider:
    def scheduler(self):
        for u in urls:
            yield u
    def worker(self, item):
        try:
            f = urllib2.urlopen(item)
            data = f.read()
            f.close()
            return (item, len(data))
        except:
            traceback.print_exc()
            return None
    def pipeline(self, results):
        for r in results:
            print "Downloaded : %s(%s)" % r
spider = DummySpider()
crawler = GCrawler(spider, workers_count = 3)
crawler.start()

当然，为了方便实现类似Scrapy的应用，gcrawler提供了一个默认的Downloader，所以上面的例子可以简化如下，只需要提供urls，并实现pipeline保存结果即可：from gcrawler import GCrawler, Downloader
import urllib2
import traceback

urls=[http://www.163.com, http://www.qq.com, http://www.sina.com.cn, http://www.sohu.com, http://www.yahoo.com, http://www.baidu.com, http://www.google.com, http://www.microsoft.com]

class DummyDownloader(Downloader):
    def pipeline(self, results):
        for r in results:
            r[datasize] = len(r[data])
            print "Data fetched : %(url)s(%(datasize)s)" % r

spider = DummyDownloader(urls)
crawler = GCrawler(spider, workers_count = 3)
crawler.start()

另外还提供了一个retryOnURLError的decorator，用于自动重试，用法参见源码。gcrawler的源码
代码在这里下载：1.5KB （好吧，我的个人技术网站在春节前也可耻滴被墙外了，大家自己想办法去下载吧不要问我。要是连这都不会，还是不要在中国搞技术了，因为太多的先进技术被墙外）。License还没想好用什么，先标一个copyright，反正在中国标什么License结果都一样的。等稳定一段时间发google code上去再确定用什么License吧。

附录：gevent的安装
在使用这个框架之前首先需要安装gevent，而 gevent又依赖libevent和greenlet。本来这事不复杂，gevent的文档里都有说，但可耻滴如前面所说，它的官网在中国大陆是“被不存在的”，所以我还是在这里说一下具体安装方法，并向有关部门坚决竖中指，你们是中国技术创新进步的最大阻力！

Ubuntu 10.04：

apt-get install python-dev libevent-1.4-2 libevent-dev
easy_install greenlet
easy_install geventDebian 5：

#先在sources.list里增加一个sid源，比如：
#deb http://mirrors.163.com/debian/ sid main
apt-get install python-gevent
#如果还缺什么则参考ubuntuFreeBSD 8：

cd /usr/ports/devel/py-gevent
make install cleanMac OS X 10.6.x:

#当然需要安装XCode和HomeBrew（或其它方式安装libevent）
brew install libevent
easy_install greenlet
easy_install geventWindows……这个自己Google去吧，友情建议还是不要在windows下浪费生命为好。

补充：综合编程 , 其他综合 ,