定制起始url(scrapy_redis)

爬虫：（在这里不用配置start_url，直接可以取redis里面取start_url，可以多个）

from   scrapy_redis.spiders import RedisSpider
# class ChoutiSpider(scrapy.Spider):
class ChoutiSpider(RedisSpider):
    name = 'baidu'##在这里设置了这个name，那么在redispider里面就可以按照这个key来找到里面对应的值（开始url，可能多个），
　　#key的格式是:self.redis_key = self.redis_key % {'name': self.name}
    allowed_domains = ['baidu.com']
　　def parse(self, response):
    　　print('执行操作')
    　　print(response)

在settings里面的配置：

#true的话，就是集合，false的话，就为列表

REDIS_START_URLS_AS_SET=False#默认是false，列表的格式取数据出来

# REDIS_START_URLS_KEY = '%(name)s:start_urls'#不设置默认是这个,这个是存入redis里面的key，可以根据这来取value，例如:baidu:start_urls

如果是列表的话，取数据是lpop(key)，key就是下面的这个
如果是集合的话，集合取数据是spop(key)，例如：spop('baidu:start_urls')>>后面就是对应的全部的开始url（可以多个）

redis存入开始url:
在了一个.py文件里面存入开始url


列表：

import  redis
conn=redis.Redis(host='127.0.0.1',port=6379)
conn.lpush('baidu:start_urls','http://www.baidu.com')
如果是settings里面：
REDIS_START_URLS_AS_SET=False的话，就是列表的形式，存入就是lpush或者是rpush等操作
如果是true的话，那么存入就是集合的形式，sadd等操作

集合：

import  redis
conn=redis.Redis(host='127.0.0.1',port=6379)
conn.sadd('baidu:start_urls','http://www.baidu.com')##按照这个格式来存数据的
print(conn.smembers('baidu:start_urls'))
 

 

scrapy_redis里面的spider源码分析：

class RedisMixin(object):
    """Mixin class to implement reading urls from a redis queue."""
    redis_key = None
    redis_batch_size = None
    redis_encoding = None

    # Redis client placeholder.
    server = None

    def start_requests(self):
        """Returns a batch of start requests from redis."""
        return self.next_requests()

    def setup_redis(self, crawler=None):
        """Setup redis connection and idle signal.

        This should be called after the spider has set its crawler object.
        """
        if self.server is not None:
            return

        if crawler is None:
            # We allow optional crawler argument to keep backwards
            # compatibility.
            # XXX: Raise a deprecation warning.
            crawler = getattr(self, 'crawler', None)

        if crawler is None:
            raise ValueError("crawler is required")

        settings = crawler.settings

#####去配置文件里面那这个其始url,START_URLS_KEY = '%(name)s:start_urls',如果没有配置文件的话，就读取后面部分
        if self.redis_key is None:
            self.redis_key = settings.get(
                'REDIS_START_URLS_KEY', defaults.START_URLS_KEY,
            )##在这里可以自己设置这个格式，REDIS_START_URLS_KEY在settigs里面设置成自己想要保存的格式，注意：自己就按照这个
，格式进行保存，下面就以这个格式作为键进行查找到相对应的全部的开始url


        self.redis_key = self.redis_key % {'name': self.name}####在这里设置这个name的redis查询的key,如果在redis里面有这个key存在的话，就取出里面的值进行查找
        '''
        所以可以自己在添加开始到这个name里面去，这个key格式是固定的,START_URLS_KEY = '%(name)s:start_urls'''
######写入redis的这个key里面存进去，里面可以放url，多个，然后拿到多个开始的url
        if not self.redis_key.strip():
            raise ValueError("redis_key must not be empty")

        if self.redis_batch_size is None:
            # TODO: Deprecate this setting (REDIS_START_URLS_BATCH_SIZE).
            self.redis_batch_size = settings.getint(
                ###取配置文件里面取值，后面是int的类型，转化为int的类型
                'REDIS_START_URLS_BATCH_SIZE',
                settings.getint('CONCURRENT_REQUESTS'),
            )

        try:
            self.redis_batch_size = int(self.redis_batch_size)
        except (TypeError, ValueError):
            raise ValueError("redis_batch_size must be an integer")

        if self.redis_encoding is None:
            self.redis_encoding = settings.get('REDIS_ENCODING', defaults.REDIS_ENCODING)

        self.logger.info("Reading start URLs from redis key '%(redis_key)s' "
                         "(batch size: %(redis_batch_size)s, encoding: %(redis_encoding)s",
                         self.__dict__)

        self.server = connection.from_settings(crawler.settings)
        # The idle signal is called when the spider has no requests left,
        # that's when we will schedule new requests from redis queue
        crawler.signals.connect(self.spider_idle, signal=signals.spider_idle)

    def next_requests(self):
        """Returns a request to be scheduled or none."""
        use_set = self.settings.getbool('REDIS_START_URLS_AS_SET', defaults.START_URLS_AS_SET)
        fetch_one = self.server.spop if use_set else self.server.lpop
        ##做了判断，如果是REDIS_START_URLS_AS_SET=True得话，那么就为集合
        ##做了判断，如果是REDIS_START_URLS_AS_SET=False得话，那么就为列表
        # XXX: Do we need to use a timeout here?
        found = 0
        # TODO: Use redis pipeline execution.
        ####在下面进行寻找，如果存在这个redis_key的话，就执行，有多个就执行多个其实url，
        
        
        ''''
        下面是一直循环着，看有没有其实url，在redis里面，这个格式是,REDIS_START_URLS_KEY = '%(name)s:start_urls'>>
        当为false的时候，就是以列表的形式查找
        conn.lpush('baidu:start_urls','http://www.baidu.com')
        当true的时候，就是集合
                
        '''
        while found < self.redis_batch_size:
            data = fetch_one(self.redis_key)##可能是spop或者是lpop
            if not data:
                # Queue empty.
                break
            req = self.make_request_from_data(data)
            if req:
                yield req
                found += 1
            else:
                self.logger.debug("Request not made from data: %r", data)

        if found:
            self.logger.debug("Read %s requests from '%s'", found, self.redis_key)

    def make_request_from_data(self, data):
        """Returns a Request instance from data coming from Redis.

        By default, ``data`` is an encoded URL. You can override this method to
        provide your own message decoding.

        Parameters
        ----------
        data : bytes
            Message from redis.

        """
        url = bytes_to_str(data, self.redis_encoding)
        return self.make_requests_from_url(url)

    def schedule_next_requests(self):
        """Schedules a request if available"""
        # TODO: While there is capacity, schedule a batch of redis requests.
        for req in self.next_requests():
            self.crawler.engine.crawl(req, spider=self)

    def spider_idle(self):
        """Schedules a request if available, otherwise waits."""
        # XXX: Handle a sentinel to close the spider.
        self.schedule_next_requests()
        raise DontCloseSpider