Metadata-Version: 2.4
Name: crawlo
Version: 1.4.0
Summary: Crawlo 是一款基于异步IO的高性能Python爬虫框架，支持分布式抓取。
Home-page: https://github.com/crawl-coder/Crawlo.git
Author: crawl-coder
Author-email: crawlo@qq.com
License: MIT
Classifier: Programming Language :: Python :: 3
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Requires-Python: >=3.6
Description-Content-Type: text/markdown
Requires-Dist: aiohttp>=3.12.14
Requires-Dist: aiomysql>=0.2.0
Requires-Dist: aioredis>=2.0.1
Requires-Dist: asyncmy>=0.2.10
Requires-Dist: cssselect>=1.2.0
Requires-Dist: dateparser>=1.2.2
Requires-Dist: httpx[http2]>=0.27.0
Requires-Dist: curl-cffi>=0.13.0
Requires-Dist: lxml>=5.2.1
Requires-Dist: motor>=3.7.0
Requires-Dist: parsel>=1.9.1
Requires-Dist: pydantic>=2.11.7
Requires-Dist: pymongo>=4.11
Requires-Dist: PyMySQL>=1.1.1
Requires-Dist: python-dateutil>=2.9.0.post0
Requires-Dist: redis>=6.2.0
Requires-Dist: requests>=2.32.4
Requires-Dist: six>=1.17.0
Requires-Dist: ujson>=5.9.0
Requires-Dist: urllib3>=2.5.0
Requires-Dist: w3lib>=2.1.2
Requires-Dist: rich>=14.1.0
Requires-Dist: astor>=0.8.1
Requires-Dist: watchdog>=6.0.0
Provides-Extra: render
Requires-Dist: webdriver-manager>=4.0.0; extra == "render"
Requires-Dist: playwright; extra == "render"
Requires-Dist: selenium>=3.141.0; extra == "render"
Provides-Extra: all
Requires-Dist: bitarray>=1.5.3; extra == "all"
Requires-Dist: PyExecJS>=1.5.1; extra == "all"
Requires-Dist: pymongo>=3.10.1; extra == "all"
Requires-Dist: redis-py-cluster>=2.1.0; extra == "all"
Requires-Dist: webdriver-manager>=4.0.0; extra == "all"
Requires-Dist: playwright; extra == "all"
Requires-Dist: selenium>=3.141.0; extra == "all"

<!-- markdownlint-disable MD033 MD041 -->
<div align="center">
  <h1 align="center">Crawlo</h1>
  <p align="center">异步分布式爬虫框架</p>
  <p align="center"><strong>基于 asyncio 的高性能异步分布式爬虫框架，支持单机和分布式部署</strong></p>
  
  <p align="center">
    <a href="https://www.python.org/downloads/">
      <img src="https://img.shields.io/badge/python-%3C%3D3.12-blue" alt="Python Version">
    </a>
    <a href="LICENSE">
      <img src="https://img.shields.io/badge/license-MIT-green" alt="License">
    </a>
    <a href="https://crawlo.readthedocs.io/">
      <img src="https://img.shields.io/badge/docs-latest-brightgreen" alt="Documentation">
    </a>
    <a href="https://github.com/crawlo/crawlo/actions">
      <img src="https://github.com/crawlo/crawlo/workflows/CI/badge.svg" alt="CI Status">
    </a>
  </p>
  
  <p align="center">
    <a href="#-特性">特性</a> •
    <a href="#-快速开始">快速开始</a> •
    <a href="#-命令行工具">命令行工具</a> •
    <a href="#-示例项目">示例项目</a>
  </p>
</div>

<br />

<!-- 特性 section -->
<div align="center">
  <h2>🌟 特性</h2>

  <table>
    <thead>
      <tr>
        <th>特性</th>
        <th>描述</th>
      </tr>
    </thead>
    <tbody>
      <tr>
        <td>⚡ <strong>异步高性能</strong></td>
        <td>基于 asyncio 实现，充分利用现代 CPU 夯性能</td>
      </tr>
      <tr>
        <td>🌐 <strong>分布式支持</strong></td>
        <td>内置 Redis 队列，轻松实现分布式部署</td>
      </tr>
      <tr>
        <td>🔧 <strong>模块化设计</strong></td>
        <td>中间件、管道、扩展组件系统，易于定制和扩展</td>
      </tr>
      <tr>
        <td>🔄 <strong>智能去重</strong></td>
        <td>多种去重策略（内存、Redis、Bloom Filter）</td>
      </tr>
      <tr>
        <td>⚙️ <strong>灵活配置</strong></td>
        <td>支持多种配置方式，适应不同场景需求</td>
      </tr>
      <tr>
        <td>📋 <strong>高级日志</strong></td>
        <td>支持日志轮转、结构化日志、JSON格式等高级功能</td>
      </tr>
      <tr>
        <td>📚 <strong>丰富文档</strong></td>
        <td>完整的中英文双语文档和示例项目</td>
      </tr>
    </tbody>
  </table>
</div>

<br />

---

<!-- 快速开始 section -->
<h2 align="center">🚀 快速开始</h2>

### 安装

``bash
pip install crawlo
```

### 创建项目

``bash
# 创建默认项目
crawlo startproject myproject

# 创建分布式模板项目
crawlo startproject myproject distributed

# 创建项目并选择特定模块
crawlo startproject myproject --modules mysql,redis,proxy

cd myproject
```

### 生成爬虫

``bash
# 在项目目录中生成爬虫
crawlo genspider news_spider news.example.com
```

### 编写爬虫

``python
from crawlo import Spider, Request, Item

class MyItem(Item):
    title = ''
    url = ''

class MySpider(Spider):
    name = 'myspider'
    
    async def start_requests(self):
        yield Request('https://httpbin.org/get', callback=self.parse)
    
    async def parse(self, response):
        yield MyItem(
            title='Example Title',
            url=response.url
        )
```

### 运行爬虫

``bash
# 使用命令行工具运行爬虫（推荐）
crawlo run myspider

# 使用项目自带的 run.py 脚本运行
python run.py

# 运行所有爬虫
crawlo run all

# 在项目子目录中也能正确运行
cd subdirectory
crawlo run myspider
```

---

<!-- 命令行工具 section -->
<h2 align="center">🔧 命令行工具</h2>

Crawlo 提供了丰富的命令行工具，简化项目创建和管理。

### crawlo startproject

创建新的爬虫项目。

```bash
# 创建默认项目
crawlo startproject myproject

# 创建指定模板的项目
crawlo startproject myproject simple
crawlo startproject myproject distributed
```

### crawlo genspider

在现有项目中生成新的爬虫。

```bash
# 在当前目录生成爬虫
crawlo genspider myspider http://example.com

# 指定模板生成爬虫
crawlo genspider myspider http://example.com --template basic
```

### crawlo run

运行指定的爬虫。

```bash
# 运行单个爬虫
crawlo run myspider

# 运行所有爬虫
crawlo run all

# 以JSON格式输出结果
crawlo run myspider --json

# 禁用统计信息
crawlo run myspider --no-stats
```

### crawlo list

列出项目中的所有爬虫。

```bash
crawlo list
```

### crawlo check

检查项目配置和爬虫实现。

```bash
# 检查所有爬虫
crawlo check

# 检查特定爬虫
crawlo check myspider
```

### crawlo stats

查看爬虫统计信息。

```bash
# 查看统计信息
crawlo stats
```

---

<!-- 配置方式 section -->
<h2 align="center">⚙️ 配置方式</h2>

Crawlo 提供了多种灵活的配置方式，以适应不同的使用场景和开发需求。

### 三种配置方式详解

#### 1. 配置工厂方式（推荐）

使用 `CrawloConfig` 配置工厂是推荐的配置方式，它提供了类型安全和智能提示。

``python
from crawlo.config import CrawloConfig
from crawlo.crawler import CrawlerProcess

# 单机模式配置
config = CrawloConfig.standalone(
    concurrency=8,
    download_delay=1.0
)

# 分布式模式配置
config = CrawloConfig.distributed(
    redis_host='127.0.0.1',
    redis_port=6379,
    project_name='myproject',
    concurrency=16
)

# 自动检测模式配置
config = CrawloConfig.auto(concurrency=12)

# 从环境变量读取配置
config = CrawloConfig.from_env()

# 创建爬虫进程
process = CrawlerProcess(settings=config.to_dict())
```

#### 2. 直接配置方式

直接在 `settings.py` 文件中配置各项参数，适合需要精细控制的场景。

```
# settings.py
PROJECT_NAME = 'myproject'
RUN_MODE = 'standalone'  # 或 'distributed' 或 'auto'
CONCURRENCY = 8
DOWNLOAD_DELAY = 1.0

# 分布式模式下需要配置Redis
REDIS_HOST = '127.0.0.1'
REDIS_PORT = 6379
REDIS_PASSWORD = ''

# 其他配置...
```

#### 3. 环境变量方式

通过环境变量配置，适合部署和CI/CD场景。

```bash
# 设置环境变量
export CRAWLO_MODE=standalone
export CONCURRENCY=8
export DOWNLOAD_DELAY=1.0
export REDIS_HOST=127.0.0.1
export REDIS_PORT=6379
```

```python
# 在代码中读取环境变量
from crawlo.config import CrawloConfig
config = CrawloConfig.from_env()
process = CrawlerProcess(settings=config.to_dict())
```

### 不同运行模式下的最佳配置方式

#### 单机模式 (standalone)

适用于开发调试、小规模数据采集、个人项目。

**推荐配置方式：**
``python
from crawlo.config import CrawloConfig
config = CrawloConfig.standalone(concurrency=4, download_delay=1.0)
process = CrawlerProcess(settings=config.to_dict())
```

**特点：**
- 简单易用，资源占用少
- 无需额外依赖（如Redis）
- 适合个人开发环境

#### 分布式模式 (distributed)

适用于大规模数据采集、多节点协同工作、高并发需求。

**推荐配置方式：**
``python
from crawlo.config import CrawloConfig
config = CrawloConfig.distributed(
    redis_host='your_redis_host',
    redis_port=6379,
    project_name='myproject',
    concurrency=16
)
process = CrawlerProcess(settings=config.to_dict())
```

**特点：**
- 支持多节点扩展
- 高并发处理能力
- 需要Redis支持

#### 自动检测模式 (auto)

适用于希望根据环境自动选择最佳运行方式。

**推荐配置方式：**
``python
from crawlo.config import CrawloConfig
config = CrawloConfig.auto(concurrency=12)
process = CrawlerProcess(settings=config.to_dict())
```

**特点：**
- 智能检测环境配置
- 自动选择运行模式
- 适合在不同环境中使用同一套配置

### 组件配置说明

Crawlo框架的中间件、管道和扩展组件采用模块化设计，框架会自动加载默认组件，用户只需配置自定义组件。

#### 中间件配置

框架默认加载以下中间件：
- RequestIgnoreMiddleware：忽略无效请求
- DownloadDelayMiddleware：控制请求频率
- DefaultHeaderMiddleware：添加默认请求头
- ProxyMiddleware：设置代理
- OffsiteMiddleware：站外请求过滤
- RetryMiddleware：失败请求重试
- ResponseCodeMiddleware：处理特殊状态码
- ResponseFilterMiddleware：响应内容过滤

用户可以通过`CUSTOM_MIDDLEWARES`配置自定义中间件：

``python
# settings.py
CUSTOM_MIDDLEWARES = [
    'myproject.middlewares.CustomMiddleware',
]
```

> **注意**：DefaultHeaderMiddleware 和 OffsiteMiddleware 需要相应的配置才能启用：
> - DefaultHeaderMiddleware 需要配置 `DEFAULT_REQUEST_HEADERS` 或 `USER_AGENT` 参数
> - OffsiteMiddleware 需要配置 `ALLOWED_DOMAINS` 参数
> 
> 如果未配置相应参数，这些中间件会因为 NotConfiguredError 而被禁用。

> **注意**：中间件的顺序很重要。SimpleProxyMiddleware 通常放在列表末尾，
> 这样可以在所有默认中间件处理后再应用代理设置。

#### 管道配置

框架默认加载以下管道：
- ConsolePipeline：控制台输出
- 默认去重管道（根据运行模式自动选择）

用户可以通过`CUSTOM_PIPELINES`配置自定义管道：

``python
# settings.py
CUSTOM_PIPELINES = [
    'crawlo.pipelines.json_pipeline.JsonPipeline',
    'crawlo.pipelines.mysql_pipeline.AsyncmyMySQLPipeline',
]
```

#### 扩展配置

框架默认加载以下扩展：
- LogIntervalExtension：定时日志
- LogStats：统计信息
- CustomLoggerExtension：自定义日志

用户可以通过`CUSTOM_EXTENSIONS`配置自定义扩展：

```python
# settings.py
CUSTOM_EXTENSIONS = [
    'crawlo.extension.memory_monitor.MemoryMonitorExtension',
]
```

<!-- 架构设计 section -->
<h2 align="center">🏗️ 架构设计</h2>

### 核心组件说明

Crawlo 框架由以下核心组件构成：

<table>
  <thead>
    <tr>
      <th>组件</th>
      <th>功能描述</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td><strong>Crawler</strong></td>
      <td>爬虫运行实例，管理Spider与引擎的生命周期</td>
    </tr>
    <tr>
      <td><strong>Engine</strong></td>
      <td>引擎组件，协调Scheduler、Downloader、Processor</td>
    </tr>
    <tr>
      <td><strong>Scheduler</strong></td>
      <td>调度器，管理请求队列和去重过滤</td>
    </tr>
    <tr>
      <td><strong>Downloader</strong></td>
      <td>下载器，负责网络请求，支持多种实现(aiohttp, httpx, curl-cffi)</td>
    </tr>
    <tr>
      <td><strong>Processor</strong></td>
      <td>处理器，处理响应数据和管道</td>
    </tr>
    <tr>
      <td><strong>QueueManager</strong></td>
      <td>统一的队列管理器，支持内存队列和Redis队列的自动切换</td>
    </tr>
    <tr>
      <td><strong>Filter</strong></td>
      <td>请求去重过滤器，支持内存和Redis两种实现</td>
    </tr>
    <tr>
      <td><strong>Middleware</strong></td>
      <td>中间件系统，处理请求/响应的预处理和后处理</td>
    </tr>
    <tr>
      <td><strong>Pipeline</strong></td>
      <td>数据处理管道，支持多种存储方式(控制台、数据库等)和去重功能</td>
    </tr>
    <tr>
      <td><strong>Spider</strong></td>
      <td>爬虫基类，定义爬取逻辑</td>
    </tr>
  </tbody>
</table>

### 运行模式

Crawlo支持三种运行模式：

<table>
  <thead>
    <tr>
      <th>模式</th>
      <th>描述</th>
      <th>队列类型</th>
      <th>过滤器类型</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td><strong>standalone</strong></td>
      <td>单机模式</td>
      <td>内存队列</td>
      <td>内存过滤器</td>
    </tr>
    <tr>
      <td><strong>distributed</strong></td>
      <td>分布式模式</td>
      <td>Redis队列</td>
      <td>Redis过滤器</td>
    </tr>
    <tr>
      <td><strong>auto</strong></td>
      <td>自动检测模式</td>
      <td>根据环境自动选择最佳运行方式</td>
      <td>根据环境自动选择</td>
    </tr>
  </tbody>
</table>

> **运行模式说明**: distributed模式为多节点分布式设计，强制使用Redis队列和去重；standalone+auto为单机智能模式，根据环境自动选择内存或Redis队列与去重策略，零配置启动。

#### 运行模式选择指南

##### 1. 单机模式 (standalone)
- **适用场景**：
  - 开发和测试阶段
  - 小规模数据采集（几千到几万条数据）
  - 学习和演示用途
  - 对目标网站负载要求不高的场景
- **优势**：
  - 配置简单，无需额外依赖
  - 资源消耗低
  - 启动快速
  - 适合本地开发调试
- **限制**：
  - 无法跨会话去重
  - 无法分布式部署
  - 内存占用随数据量增长

##### 2. 分布式模式 (distributed)
- **适用场景**：
  - 大规模数据采集（百万级以上）
  - 需要多节点协同工作
  - 要求跨会话、跨节点去重
  - 生产环境部署
- **优势**：
  - 支持水平扩展
  - 跨节点任务协调
  - 持久化去重过滤
  - 高可用性
- **要求**：
  - 需要Redis服务器
  - 网络环境稳定
  - 更复杂的配置管理

##### 3. 自动模式 (auto)
- **适用场景**：
  - 希望根据环境自动选择最佳配置
  - 开发和生产环境使用同一套代码
  - 动态适应运行环境
- **工作机制**：
  - 检测Redis可用性
  - Redis可用时自动切换到分布式模式
  - Redis不可用时回退到单机模式
- **优势**：
  - 环境适应性强
  - 部署灵活
  - 开发和生产环境配置统一

#### 队列类型选择指南

Crawlo支持三种队列类型，可通过`QUEUE_TYPE`配置项设置：

- **memory**：使用内存队列，适用于单机模式
- **redis**：使用Redis队列，适用于分布式模式
- **auto**：自动检测模式，根据Redis可用性自动选择

推荐使用`auto`模式，让框架根据环境自动选择最适合的队列类型。

#### Redis Key 命名规范

在分布式模式下，Crawlo框架使用Redis作为队列和去重存储。为了确保不同项目和爬虫之间的数据隔离，框架采用统一的Redis Key命名规范：

##### 默认命名规则
Redis Key遵循以下命名格式：`crawlo:{PROJECT_NAME}:{component}:{identifier}`

其中：
- `PROJECT_NAME`：项目名称，用于区分不同项目
- `component`：组件类型，如`queue`、`filter`、`item`
- `identifier`：具体标识符，如`requests`、`processing`、`failed`、`fingerprint`

##### 具体Key格式
1. **请求队列**：`crawlo:{PROJECT_NAME}:queue:requests`
   - 用于存储待处理的请求任务

2. **处理中队列**：`crawlo:{PROJECT_NAME}:queue:processing`
   - 用于存储正在处理的请求任务

3. **失败队列**：`crawlo:{PROJECT_NAME}:queue:failed`
   - 用于存储处理失败的请求任务

4. **请求去重**：`crawlo:{PROJECT_NAME}:filter:fingerprint`
   - 用于存储请求URL的指纹，实现去重功能

5. **数据项去重**：`crawlo:{PROJECT_NAME}:item:fingerprint`
   - 用于存储数据项的指纹，防止重复存储

##### 自定义队列名称
用户可以通过`SCHEDULER_QUEUE_NAME`配置项自定义请求队列名称。处理中队列和失败队列会基于请求队列名称自动生成：
- 处理中队列：将`:queue:requests`替换为`:queue:processing`
- 失败队列：将`:queue:requests`替换为`:queue:failed`

示例配置：
```python
# settings.py
SCHEDULER_QUEUE_NAME = f'crawlo:{PROJECT_NAME}:queue:requests'
```

##### 命名规范优势
1. **命名空间隔离**：通过项目名称实现不同项目间的数据隔离
2. **组件分类清晰**：通过组件类型区分不同功能模块
3. **易于监控和管理**：统一的命名格式便于Redis监控和管理
4. **防止命名冲突**：避免不同项目或组件间的Key冲突

<!-- 配置系统 section -->
<h2 align="center">🎛️ 配置系统</h2>

### 传统配置方式

```
# settings.py
PROJECT_NAME = 'myproject'
CONCURRENCY = 16
DOWNLOAD_DELAY = 1.0
QUEUE_TYPE = 'memory'  # 单机模式
# QUEUE_TYPE = 'redis'   # 分布式模式

# Redis 配置 (分布式模式下使用)
REDIS_HOST = 'localhost'
REDIS_PORT = 6379
REDIS_DB = 0
REDIS_PASSWORD = ''

# 数据管道配置
# 注意：框架默认管道已自动加载，此处仅用于添加自定义管道
CUSTOM_PIPELINES = [
    'crawlo.pipelines.json_pipeline.JsonPipeline',
    'crawlo.pipelines.mysql_pipeline.AsyncmyMySQLPipeline',      # MySQL存储管道
]

# 高级日志配置
LOG_FILE = 'logs/spider.log'
LOG_LEVEL = 'INFO'
LOG_MAX_BYTES = 10 * 1024 * 1024  # 10MB
LOG_BACKUP_COUNT = 5
LOG_JSON_FORMAT = False  # 设置为True启用JSON格式

# 启用高级日志扩展
ADVANCED_LOGGING_ENABLED = True

# 启用日志监控
LOG_MONITOR_ENABLED = True
LOG_MONITOR_INTERVAL = 30
LOG_MONITOR_DETAILED_STATS = True

# 添加扩展（注意：框架默认扩展已自动加载，此处仅用于添加自定义扩展）
CUSTOM_EXTENSIONS = [
    'crawlo.extension.memory_monitor.MemoryMonitorExtension',
]
```

### MySQL 管道配置

Crawlo 提供了现成的 MySQL 管道实现，可以轻松将爬取的数据存储到 MySQL 数据库中：

```
# 在 settings.py 中启用 MySQL 管道
CUSTOM_PIPELINES = [
    'crawlo.pipelines.mysql_pipeline.AsyncmyMySQLPipeline',
]

# MySQL 数据库配置
MYSQL_HOST = 'localhost'
MYSQL_PORT = 3306
MYSQL_USER = 'your_username'
MYSQL_PASSWORD = 'your_password'
MYSQL_DB = 'your_database'
MYSQL_TABLE = 'your_table_name'

# 可选的批量插入配置
MYSQL_BATCH_SIZE = 100
MYSQL_USE_BATCH = True
```

MySQL 管道特性：
- **异步操作**：基于 asyncmy 驱动，提供高性能的异步数据库操作
- **连接池**：自动管理数据库连接，提高效率
- **批量插入**：支持批量插入以提高性能
- **事务支持**：确保数据一致性
- **灵活配置**：支持自定义表名、批量大小等参数

### 命令行配置

```
# 运行单个爬虫
crawlo run myspider

# 运行所有爬虫
crawlo run all

# 在项目子目录中也能正确运行
cd subdirectory
crawlo run myspider
```

---

<!-- 核心组件 section -->
<h2 align="center">🧩 核心组件</h2>

### Request类

Request类是Crawlo框架中用于封装HTTP请求的核心组件，提供了丰富的功能来处理各种类型的HTTP请求。

#### 基本用法

```python
from crawlo import Request

# 创建一个基本的GET请求
request = Request('https://example.com')

# 创建带回调函数的请求
request = Request('https://example.com', callback=self.parse)
```

#### params参数（GET请求参数）

使用`params`参数来添加GET请求的查询参数，这些参数会自动附加到URL上：

```python
# GET请求带参数
request = Request(
    url='https://httpbin.org/get',
    params={'key1': 'value1', 'key2': 'value2', 'page': 1},
    callback=self.parse
)
# 实际请求URL会变成: https://httpbin.org/get?key1=value1&key2=value2&page=1

# 复杂参数示例
request = Request(
    url='https://api.example.com/search',
    params={
        'q': 'python爬虫',
        'sort': 'date',
        'order': 'desc',
        'limit': 20
    },
    callback=self.parse_results
)
```

对于GET请求，如果同时指定了[params](file:///Users/oscar/projects/Crawlo/crawlo/network/request.py#L55-L55)和[form_data](file:///Users/oscar/projects/Crawlo/crawlo/network/request.py#L53-L53)参数，它们都会被作为查询参数附加到URL上。

#### form_data参数（POST表单数据）

使用`form_data`参数发送表单数据，会根据请求方法自动处理：

```python
# POST请求发送表单数据
request = Request(
    url='https://httpbin.org/post',
    method='POST',
    form_data={
        'username': 'crawlo_user',
        'password': 'secret_password',
        'remember_me': 'true'
    },
    callback=self.parse_login
)

# GET请求使用form_data（会自动转换为查询参数）
request = Request(
    url='https://httpbin.org/get',
    method='GET',
    form_data={
        'search': 'crawlo framework',
        'category': 'documentation'
    },
    callback=self.parse_search
)
```

对于POST请求，[form_data](file:///Users/oscar/projects/Crawlo/crawlo/network/request.py#L53-L53)会被编码为`application/x-www-form-urlencoded`格式并作为请求体发送。

#### json_body参数（JSON请求体）

使用`json_body`参数发送JSON数据：

```python
# 发送JSON数据
request = Request(
    url='https://api.example.com/users',
    method='POST',
    json_body={
        'name': 'Crawlo User',
        'email': 'user@example.com',
        'preferences': {
            'theme': 'dark',
            'notifications': True
        }
    },
    callback=self.parse_response
)

# PUT请求更新资源
request = Request(
    url='https://api.example.com/users/123',
    method='PUT',
    json_body={
        'name': 'Updated Name',
        'email': 'updated@example.com'
    },
    callback=self.parse_update
)
```

使用[json_body](file:///Users/oscar/projects/Crawlo/crawlo/network/request.py#L54-L54)时，会自动设置`Content-Type: application/json`请求头，并将数据序列化为JSON格式。

#### 混合使用参数

可以同时使用多种参数类型，框架会自动处理：

``python
# GET请求同时使用params和form_data（都会作为查询参数）
request = Request(
    url='https://api.example.com/search',
    params={'category': 'books'},           # 作为查询参数
    form_data={'q': 'python', 'limit': 10}, # 也作为查询参数
    callback=self.parse_search
)

# POST请求使用form_data和headers
request = Request(
    url='https://api.example.com/upload',
    method='POST',
    form_data={'title': 'My Document'},
    headers={'Authorization': 'Bearer token123'},
    callback=self.parse_upload
)
```

#### 请求配置

Request类支持丰富的配置选项：

```python
request = Request(
    url='https://example.com',
    method='GET',
    headers={'User-Agent': 'Crawlo Bot'},
    cookies={'session_id': 'abc123'},
    priority=RequestPriority.HIGH,
    timeout=30,
    proxy='http://proxy.example.com:8080',
    dont_filter=True,  # 跳过去重检查
    meta={'custom_key': 'custom_value'},  # 传递自定义元数据
    callback=self.parse
)
```

#### 链式调用

Request类支持链式调用来简化配置：

``python
request = Request('https://example.com')\
    .add_header('User-Agent', 'Crawlo Bot')\
    .set_proxy('http://proxy.example.com:8080')\
    .set_timeout(30)\
    .add_flag('important')\
    .set_meta('custom_key', 'custom_value')
```

#### 优先级设置

Crawlo提供了多种预定义的请求优先级：

``python
from crawlo import Request, RequestPriority

# 设置不同的优先级
urgent_request = Request('https://example.com', priority=RequestPriority.URGENT)
high_request = Request('https://example.com', priority=RequestPriority.HIGH)
normal_request = Request('https://example.com', priority=RequestPriority.NORMAL)
low_request = Request('https://example.com', priority=RequestPriority.LOW)
background_request = Request('https://example.com', priority=RequestPriority.BACKGROUND)
```

#### 动态加载器

对于需要JavaScript渲染的页面，可以启用动态加载器：

``python
# 启用动态加载器
request = Request('https://example.com')\
    .set_dynamic_loader(use_dynamic=True)

# 或者使用链式调用
request = Request('https://example.com')\
    .set_dynamic_loader(True, {'wait_time': 3, 'timeout': 30})
```

### 中间件系统
灵活的中间件系统，支持请求预处理、响应处理和异常处理。

Crawlo框架内置了多种中间件，其中代理中间件有两种实现：

1. **ProxyMiddleware（复杂版）**：
   - 动态从API获取代理
   - 代理池管理
   - 健康检查和成功率统计
   - 复杂的代理提取逻辑
   - 适用于需要高级代理管理功能的场景

2. **SimpleProxyMiddleware（简化版）**：
   - 基于固定代理列表的简单实现
   - 轻量级，代码简洁
   - 易于配置和使用
   - 适用于只需要基本代理功能的场景

如果需要使用简化版代理中间件，可以在配置文件中替换默认的代理中间件：

``python
# settings.py
MIDDLEWARES = [
    # 注释掉复杂版代理中间件
    # 'crawlo.middleware.proxy.ProxyMiddleware',
    # 启用简化版代理中间件
    'crawlo.middleware.simple_proxy.SimpleProxyMiddleware',
]

# 配置代理列表
PROXY_ENABLED = True
PROXY_LIST = [
    "http://proxy1.example.com:8080",
    "http://proxy2.example.com:8080",
]
```

有关代理中间件的详细使用说明，请参考[代理中间件示例项目](examples/simple_proxy_example/)。

### 管道系统
可扩展的数据处理管道，支持多种存储方式（控制台、数据库等）和去重功能：
- **ConsolePipeline**: 控制台输出管道
- **JsonPipeline**: JSON文件存储管道
- **RedisDedupPipeline**: Redis去重管道，基于Redis集合实现分布式去重
- **AsyncmyMySQLPipeline**: MySQL数据库存储管道，基于asyncmy驱动

### 扩展组件
功能增强扩展，包括日志、监控、性能分析等：
- **LogIntervalExtension**: 定时日志扩展
- **LogStats**: 统计日志扩展
- **CustomLoggerExtension**: 自定义日志扩展
- **MemoryMonitorExtension**: 内存监控扩展（监控爬虫进程内存使用情况）
- **PerformanceProfilerExtension**: 性能分析扩展
- **HealthCheckExtension**: 健康检查扩展
- **RequestRecorderExtension**: 请求记录扩展

### 过滤系统
智能去重过滤，支持多种去重策略（内存、Redis、Bloom Filter）。

---

<!-- 高级工具 section -->
<h2 align="center">🛠️ 高级工具</h2>

Crawlo 框架提供了一系列高级工具，帮助开发者更好地处理大规模爬虫任务和复杂场景。

### 1. 工厂模式相关模块

**功能**：
- 组件创建和依赖注入
- 单例模式支持
- 统一的组件管理机制

**使用场景**：
- 需要统一管理组件创建过程
- 需要依赖注入功能
- 需要单例组件实例

### 2. 批处理工具

**功能**：
- 大规模数据处理
- 并发控制
- 内存使用优化

**使用场景**：
- 处理大量数据项
- 需要控制并发数量
- 内存敏感的数据处理任务

### 3. 受控爬虫混入类

**功能**：
- 控制大规模请求生成
- 防止内存溢出
- 动态并发控制

**使用场景**：
- 需要生成大量请求的爬虫
- 内存受限的环境
- 需要精确控制并发的场景

### 4. 大规模配置工具

**功能**：
- 针对不同场景的优化配置
- 简化配置过程
- 提高爬取效率和稳定性

**配置类型**：
- **保守型**: 资源受限环境
- **平衡型**: 一般生产环境
- **激进型**: 高性能服务器
- **内存优化型**: 内存受限但要处理大量请求

**使用场景**：
- 处理数万+请求的大规模爬取
- 不同性能环境的适配
- 快速配置优化

### 5. 大规模爬虫辅助工具

**功能**：
- 批量数据处理
- 进度管理和断点续传
- 内存使用优化
- 多种数据源支持

**组件**：
- **LargeScaleHelper**: 批量迭代大量数据
- **ProgressManager**: 进度管理
- **MemoryOptimizer**: 内存优化
- **DataSourceAdapter**: 数据源适配器

**使用场景**：
- 处理数万+ URL的爬虫
- 需要断点续传的功能
- 内存敏感的大规模处理任务

### 6. 自动爬虫模块导入

**功能**：
- 自动发现和导入爬虫模块
- 无需手动导入即可注册爬虫
- 智能扫描项目中的爬虫文件

**使用方式**：
框架会自动扫描指定的`spider_modules`路径，导入其中的所有爬虫模块并自动注册爬虫类。用户只需在创建`CrawlerProcess`时指定`spider_modules`参数：

```python
# 指定爬虫模块路径，框架会自动导入并注册所有爬虫
spider_modules = ['myproject.spiders']
process = CrawlerProcess(spider_modules=spider_modules)

# 运行指定的爬虫（无需手动导入）
asyncio.run(process.crawl('my_spider_name'))
```

**优势**：
- 简化项目结构，减少样板代码
- 自动化管理爬虫注册过程
- 提高开发效率，降低出错概率
- 保持代码整洁和一致性

有关这些高级工具的详细使用方法和实际案例，请参考 [高级工具示例项目](examples/advanced_tools_example/)。

<!-- 示例项目 section -->
<h2 align="center">📦 示例项目</h2>

- [OFweek分布式爬虫](examples/ofweek_distributed/) - 复杂的分布式爬虫示例，包含Redis去重功能
- [OFweek独立爬虫](examples/ofweek_standalone/) - 独立运行的爬虫示例
- [OFweek混合模式爬虫](examples/ofweek_spider/) - 支持单机和分布式模式切换的爬虫示例
- [高级工具示例](examples/advanced_tools_example/) - 展示Crawlo框架中各种高级工具的使用方法，包括工厂模式、批处理工具、受控爬虫混入类、大规模配置工具和大规模爬虫辅助工具

---

<!-- Redis键名修复说明 section -->
<h2 align="center">🔧 Redis键名修复说明</h2>

在早期版本中，Crawlo框架存在Redis队列键名生成的双重前缀问题。具体表现为：

- **问题现象**：Redis队列键名出现双重"crawlo"前缀，如`crawlo:crawlo:queue:requests`而不是正确的`crawlo:{project_name}:queue:requests`
- **影响范围**：影响分布式模式下的请求队列、处理队列和失败队列的正确识别和使用
- **根本原因**：队列管理器中的项目名称提取逻辑未能正确处理不同格式的队列名称

**修复内容**：

1. **队列管理器优化**：
   - 改进了[QueueConfig.from_settings](file:///Users/oscar/projects/Crawlo/crawlo/queue/queue_manager.py#L148-L180)方法，使其在`SCHEDULER_QUEUE_NAME`未设置时能正确使用基于项目名称的默认值
   - 修复了队列管理器中从队列名称提取项目名称的逻辑，确保能正确处理各种前缀情况

2. **Redis队列实现改进**：
   - 在[RedisPriorityQueue](file:///Users/oscar/projects/Crawlo/crawlo/queue/redis_priority_queue.py#L39-L76)中添加了`_normalize_queue_name`方法来规范化队列名称
   - 处理了多重"crawlo"前缀的情况，确保队列名称符合统一规范

3. **配置文件调整**：
   - 将`SCHEDULER_QUEUE_NAME`设置为注释状态，提供更大的配置灵活性
   - 在所有模板和示例项目的配置文件中保持了一致性

**验证测试**：
通过专门的测试脚本验证了修复效果，确保在各种队列命名情况下都能正确生成和识别Redis键名。

---

<!-- 文档 section -->
<h2 align="center">📚 文档</h2>

完整的文档请访问 [Crawlo Documentation](https://crawlo.readthedocs.io/)

- [快速开始指南](docs/modules/index.md)
- [模块化文档](docs/modules/index.md)
- [核心引擎文档](docs/modules/core/engine.md)
- [调度器文档](docs/modules/core/scheduler.md)
- [下载器文档](docs/modules/downloader/index.md)
- [中间件文档](docs/modules/middleware/index.md)
- [管道文档](docs/modules/pipeline/index.md)
- [队列文档](docs/modules/queue/index.md)
- [过滤器文档](docs/modules/filter/index.md)
- [扩展组件文档](docs/modules/extension/index.md)

---

<!-- 贡献 section -->
<h2 align="center">🤝 贡献</h2>

欢迎提交 Issue 和 Pull Request 来帮助改进 Crawlo！

---

<!-- 许可证 section -->
<h2 align="center">📄 许可证</h2>

本项目采用 MIT 许可证，详情请见 [LICENSE](LICENSE) 文件。
