整體流程
- 引擎找到要執行的爬蟲，並執行爬蟲的 start_requests 方法，並的到一個 迭代器。
- 迭代器循環時會獲取Request對象，而request對象中封裝了要訪問的URL和回調函數。
- 將所有的request對象(任務)放到調度器中，用於以后被下載器下載。
- 下載器去調度器中獲取要下載任務（就是Request對象），下載完成后執行回調函數。
- 回到spider的回調函數中，
yield Request()
yield Item()
具體流程
1 1. scrapy crawl chouti --nolog
2
3 2. 找到 SCHEDULER = "scrapy_redis.scheduler.Scheduler" 配置並實例化調度器對象
4 - 執行Scheduler.from_crawler
5 - 執行Scheduler.from_settings
6 - 讀取配置文件：
7 SCHEDULER_PERSIST # 是否在關閉時候保留原來的調度器和去重記錄，True=保留，False=清空
8 SCHEDULER_FLUSH_ON_START # 是否在開始之前清空 調度器和去重記錄，True=清空，False=不清空
9 SCHEDULER_IDLE_BEFORE_CLOSE # 去調度器中獲取數據時，如果為空，最多等待時間（最后沒數據，未獲取到）。
10 - 讀取配置文件：
11 SCHEDULER_QUEUE_KEY # %(spider)s:requests
12 SCHEDULER_QUEUE_CLASS # scrapy_redis.queue.FifoQueue
13 SCHEDULER_DUPEFILTER_KEY # '%(spider)s:dupefilter'
14 DUPEFILTER_CLASS # 'scrapy_redis.dupefilter.RFPDupeFilter'
15 SCHEDULER_SERIALIZER # "scrapy_redis.picklecompat"
16
17 - 讀取配置文件：
18 REDIS_HOST = '140.143.227.206' # 主機名
19 REDIS_PORT = 8888 # 端口
20 REDIS_PARAMS = {'password':'beta'} # Redis連接參數 默認：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
21 REDIS_ENCODING = "utf-8"
22 - 示例Scheduler對象
23
24 3. 爬蟲開始執行起始URL
25 - 調用 scheduler.enqueue_requests()
26 def enqueue_request(self, request):
27 # 請求是否需要過濾？
28 # 去重規則中是否已經有？（是否已經訪問過，如果未訪問添加到去重記錄中。）
29 if not request.dont_filter and self.df.request_seen(request):
30 self.df.log(request, self.spider)
31 # 已經訪問過就不要再訪問了
32 return False
33
34 if self.stats:
35 self.stats.inc_value('scheduler/enqueued/redis', spider=self.spider)
36 # print('未訪問過，添加到調度器', request)
37 self.queue.push(request)
38 return True
39
40 4. 下載器去調度器中獲取任務，去下載
41
42 - 調用 scheduler.next_requests()
43 def next_request(self):
44 block_pop_timeout = self.idle_before_close
45 request = self.queue.pop(block_pop_timeout)
46 if request and self.stats:
47 self.stats.inc_value('scheduler/dequeued/redis', spider=self.spider)
48 return request
49
