首先不得不承認自己做了標題黨，本文實質是分析500lines or less的crawl工程，這個工程的地址是https://github.com/aosabook/500lines，有興趣的同學可以看看，是一個非常高質量的開源工程集合，據說要寫一本書，不過看着代碼提交記錄，這本書面世時間應該不會很快。這篇文章寫得很渣，錯誤一定要提啊。。。
網絡爬蟲從一個或若干初始網頁的URL開始，獲得初始網頁上的URL，在抓取網頁的過程中，不斷從當前頁面上抽取新的URL放入隊列,直到滿足系統的一定停止條件。簡單的可以將網絡爬蟲理解為一個帶有終止條件的while循環，在條件不觸發的情況下，爬蟲就不斷的從每個以及獲取的url發送請求獲取頁面數據，然后解析當前頁面的url，不斷迭代下去。在crawl工程當中，完成這一過程的是crawler類，他並未采用廣度優先或是深度優先的爬蟲，在當前請求失敗的時候就通過python掛起當前任務，然后在之后再進行調度，這可以勉強理解為基於網絡連通性的A*搜索，其運行方式如下所示：
對一個初始化后的crawler對象，其中存在一個url，一個todo集合，存儲尚未繼續呢爬蟲操作的url；一個busy集合，保存等待其他爬蟲數據的url集合；一個done集合，保存完成頁面爬取的url集合。爬蟲的核心就是這個死循環，首先爬蟲從todo集合當中獲取一個url，然后初始化fetch對象用於獲取頁面上的url，最后進行任務調度執行一個url請求任務。這段流程的代碼如下所示。
1 @asyncio.coroutine 2 def crawl(self): 3 """Run the crawler until all finished."""
4 with (yield from self.termination): 5 while self.todo or self.busy: 6 if self.todo: 7 url, max_redirect = self.todo.popitem() 8 fetcher = Fetcher(url, 9 crawler=self, 10 max_redirect=max_redirect, 11 max_tries=self.max_tries, 12 ) 13 self.busy[url] = fetcher 14 fetcher.task = asyncio.Task(self.fetch(fetcher)) 15 else: 16 yield from self.termination.wait() 17 self.t1 = time.time()
一個爬蟲很明顯不會僅僅由一個死循環構成，在crawl外層需要其他模塊支持其操作，包括網絡連接，url獲取，任務調度等任務，整個crawl工程的調度框架如下所示：
在crawl創建初始化時候首先創建一個ConnectionPool：
self.pool = ConnectionPool(max_pool, max_tasks)
其中保留屬性connections和queue，分別保存連接的集合和隊列，用於后續調度；而connection中存儲host和端口號並支持ssl，通過asyncio.open_connection()獲取連接。
self.connections = {} # {(host, port, ssl): [Connection, ...], ...}
self.queue = [] # [Connection, ...]
任務執行時crawl方法首先通過loop.run_until_complete(crawler.crawl())加載到event loop當中，然后用上述語句構建的鏈接池ConnectionPool中保存connection對象，獲取連接對象然后通過fetcher對象的fetch方法進行數據爬取。對於一個url請求任務，使用fetcher進行處理，調度則是用asyncio.Task方法進行的調度。其中fetch方法獲取被掛起的generator，交給asyncio.Task執行。
通過yield from和asynico.coroutine語句，將這個方法變為執行過程中的generator，在執行fetcher.fetch()方法時候如果被掛起，則通過調度程序進行處理。
fetcher.fetch()方法是網絡爬蟲的核心方法，負責從網絡上獲取頁面數據並將其中的url加載到todo集合當中，該方法嘗試獲取頁面數據當嘗試次數達到上限時停止操作，獲取成功的html數據和外部鏈接以及重定向鏈接都將被存儲。在url鏈接次數到達上限的情況下，將停止這個url的鏈接操作，輸出出錯日志。之后針對頁面的不同狀態，采取不同的處理方式。
下面的代碼是crawling.py文件從333行開始（crawling.py）到對應方法結束的區域，通過對頁面status的判斷選擇不同的處理方式。其中通過正則表達式，獲取頁面上的url信息，這里選擇為href開頭的字符串，核心url提取的代碼在下面：
1 # Replace href with (?:href|src) to follow image links. 2 self.urls = set(re.findall(r'(?i)href=["\']?([^\s"\'<>]+)',body)) 3 if self.urls: 4 logger.warn('got %r distinct urls from %r',len(self.urls), self.url) 5 self.new_urls = set() 6 for url in self.urls: 7 url = unescape(url) 8 url = urllib.parse.urljoin(self.url, url) 9 url, frag = urllib.parse.urldefrag(url) 10 if self.crawler.add_url(url): 11 self.new_urls.add(url)
通過代碼，很明顯就可以看出正則匹配結果存儲在urls集合當中並通過for循環依次進行處理，加入到當前fetcher的crawler對象的todo集合當中。
在之前分析的基礎上對主文件crawl.py進行進一步分析，可以得到整體爬蟲的架構:
在主文件當中首先通過argparse.ArgumentParser進行解析，設置控制台的數據讀取和控制，其中選擇了IOCP作為windows環境下的event loop對象。主方法，首先通過parse_args返回存儲命令行數據的字典，如果沒有root屬性，則給出提示。然后配置日志級別，指示日志的輸出級別，低於最低級別的不輸出。
通過入口函數main方法進入程序的時候，首先根據來自命令行參數對Crawler進行初始化，同時獲取使用asyncio的loop event對象，執行run_until_complete方法，會一直執行到這個程序結束運行。
除此之外reporting.py用於打印當前任務執行情況。其中fetcher_report(fetcher, stats, file=None)打印這個url的工作狀態，url就是fetcher的url屬性；report(crawler, file=None)打印整個工程所有完成的url工作狀態。
至此，crawl的基本框架就展現在眼前了。至於在這個程序中出現的一些不容易理解的python語言特性，某些應用到的核心模塊，將在下一篇博客《標准爬蟲分析，精簡不簡單！》中進行闡述。