scrapy-redis分布式爬蟲的搭建過程(理論篇)
1. 背景
Scrapy 是一個通用的爬蟲框架，但是不支持分布式，Scrapy-redis是為了更方便地實現(xiàn)Scrapy分布式爬取，而提供了一些以redis為基礎(chǔ)的組件(僅有組件)。
2. 環(huán)境
- 系統(tǒng)：win7
- scrapy-redis
- redis 3.0.5
- python 3.6.1
3. 原理
3.1. 對比一下scrapy 和 Scrapy-redis 的架構(gòu)圖。
scrapy架構(gòu)圖：
scrapy-redis 架構(gòu)圖：
多了一個redis組件，主要影響兩個地方：第一個是調(diào)度器。第二個是數(shù)據(jù)的處理。 3.2. Scrapy-Redis分布式策略。
作為一個分布式爬蟲，是需要有一個Master端（核心服務(wù)器）的，在Master端，會搭建一個Redis數(shù)據(jù)庫，用來存儲start_urls、request、items。Master的職責(zé)是負責(zé)url指紋判重，Request的分配，以及數(shù)據(jù)的存儲（一般在Master端會安裝一個mongodb用來存儲redis中的items）。出了Master之外，還有一個角色就是slaver（爬蟲程序執(zhí)行端），它主要負責(zé)執(zhí)行爬蟲程序爬取數(shù)據(jù)，并將爬取過程中新的Request提交到Master的redis數(shù)據(jù)庫中。
如上圖，假設(shè)我們有四臺電腦：A， B， C， D ，其中任意一臺電腦都可以作為 Master端 或 Slaver端。整個流程是：
- 首先Slaver端從Master端拿任務(wù)（Request、url）進行數(shù)據(jù)抓取，Slaver抓取數(shù)據(jù)的同時，產(chǎn)生新任務(wù)的Request便提交給 Master 處理；
- Master端只有一個Redis數(shù)據(jù)庫，負責(zé)將未處理的Request去重和任務(wù)分配，將處理后的Request加入待爬隊列，并且存儲爬取的數(shù)據(jù)。
Scrapy-Redis默認使用的就是這種策略，我們實現(xiàn)起來很簡單，因為任務(wù)調(diào)度等工作Scrapy-Redis都已經(jīng)幫我們做好了，我們只需要繼承RedisSpider、指定redis_key就行了。
缺點是，Scrapy-Redis調(diào)度的任務(wù)是Request對象，里面信息量比較大（不僅包含url，還有callback函數(shù)、headers等信息），可能導(dǎo)致的結(jié)果就是會降低爬蟲速度、而且會占用Redis大量的存儲空間，所以如果要保證效率，那么就需要一定硬件水平。
4. 運行流程
第一步：在slaver端的爬蟲中，指定好 redis_key，并指定好redis數(shù)據(jù)庫的地址，比如：
class MySpider(RedisSpider): """Spider that reads urls from redis queue (myspider:start_urls).""" name = 'amazon' redis_key = 'amazonCategory:start_
# 指定redis數(shù)據(jù)庫的連接參數(shù) 'REDIS_HOST': '172.16.1.99', 'REDIS_PORT': 6379,
第二步：啟動slaver端的爬蟲，爬蟲進入等待狀態(tài)，等待 redis 中出現(xiàn) redis_key ，Log如下：
2017-12-12 15:54:18 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapybot)
2017-12-12 15:54:18 [scrapy.utils.log] INFO: Overridden settings: {'SPIDER_LOADER_WARN_ONLY': True}
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled extensions:
['scrapy.extensions.corestats.CoreStats',
'scrapy.extensions.telnet.TelnetConsole',
'scrapy.extensions.logstats.LogStats']
2017-12-12 15:54:18 [myspider_redis] INFO: Reading start URLs from redis key 'myspider:start_urls' (batch size: 110, encoding: utf-8
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled downloader middlewares:
['scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware',
'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware',
'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware',
'redisClawerSlaver.middlewares.ProxiesMiddleware',
'redisClawerSlaver.middlewares.HeadersMiddleware',
'scrapy.downloadermiddlewares.retry.RetryMiddleware',
'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware',
'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware',
'scrapy.downloadermiddlewares.redirect.RedirectMiddleware',
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware',
'scrapy.downloadermiddlewares.stats.DownloaderStats']
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled spider middlewares:
['scrapy.spidermiddlewares.httperror.HttpErrorMiddleware',
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware',
'scrapy.spidermiddlewares.referer.RefererMiddleware',
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware',
'scrapy.spidermiddlewares.depth.DepthMiddleware']
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled item pipelines:
['redisClawerSlaver.pipelines.ExamplePipeline',
'scrapy_redis.pipelines.RedisPipeline']
2017-12-12 15:54:18 [scrapy.core.engine] INFO: Spider opened
2017-12-12 15:54:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-12-12 15:55:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-12-12 15:56:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
第三步：啟動腳本，往redis數(shù)據(jù)庫中填入redis_key（start_urls）
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import redis
# 將start_url 存儲到redis中的redis_key中，讓爬蟲去爬取
redis_Host = "172.16.1.99"
redis_key = 'amazonCategory:start_urls'
# 創(chuàng)建redis數(shù)據(jù)庫連接
rediscli = redis.Redis(host = redis_Host, port = 6379, db = "0")
# 先將redis中的requests全部清空
flushdbRes = rediscli.flushdb()
print(f"flushdbRes = {flushdbRes}")
rediscli.lpush(redis_key, https://www.baidu.com)
第四步：slaver端的爬蟲開始爬取數(shù)據(jù)。Log如下：
2017-12-12 15:56:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
parse url = https://www.baidu.com, status = 200, meta = {'download_timeout': 25.0, 'proxy': 'http://proxy.abuyun.com:9020', 'download_slot': 'www.baidu.com', 'download_latency': 0.2569999694824219, 'depth': 7}
parse url = https://www.baidu.com, status = 200, meta = {'download_timeout': 25.0, 'proxy': 'http://proxy.abuyun.com:9020', 'download_slot': 'www.baidu.com', 'download_latency': 0.8840000629425049, 'depth': 8}
2017-12-12 15:57:18 [scrapy.extensions.logstats] INFO: Crawled 2 pages (at 2 pages/min), scraped 1 items (at 1 items/min)
第五步：啟動腳本，將redis中的items，轉(zhuǎn)儲到mongodb中。
這部分代碼，請參照：scrapy-redis分布式爬蟲的搭建過程（代碼篇）
5. 環(huán)境安裝以及代碼編寫
5.1. scrapy-redis環(huán)境安裝
pip install scrapy-redis
代碼位置：后面可以進行修改定制。
5.2. scrapy-redis分布式爬蟲編寫
第一步，下載官網(wǎng)的示例代碼，地址：https://github.com/rmax/scrapy-redis （需要安裝過git）
git clone https://github.com/rmax/scrapy-redis.git
官網(wǎng)提供了兩種示例代碼，分別繼承自 Spider + redis 和 CrawlSpider + redis
第二步，根據(jù)官網(wǎng)提供的示例代碼進行修改。
到此這篇關(guān)于scrapy-redis分布式爬蟲的搭建過程(理論篇)的文章就介紹到這了,更多相關(guān)scrapy redis分布式爬蟲搭建內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了寶塔面板成功部署Django項目流程，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-06-06
大家好，本篇文章主要講的是用python爬取電腦壁紙實例代碼，感興趣的同學(xué)趕快來看一看吧，對你有幫助的話記得收藏一下2022-02-02
Python實現(xiàn)對照片中的人臉進行顏值預(yù)測
今天給大家?guī)淼氖顷P(guān)于Python實戰(zhàn)的相關(guān)知識,文章圍繞如何用Python實現(xiàn)對照片中的人臉進行顏值預(yù)測展開,文中有非常詳細的介紹及代碼示例,需要的朋友可以參考下2021-06-06
pygame實現(xiàn)俄羅斯方塊游戲（基礎(chǔ)篇1）
這篇文章主要為大家介紹了pygame實現(xiàn)俄羅斯方塊游戲基礎(chǔ)的第1篇，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-10-10
這篇文章主要介紹了如何用 Python 制作一個迷宮游戲，幫助大家更好的理解和學(xué)習(xí)python，感興趣的朋友可以了解下2021-02-02
深入探究python中Pandas庫處理缺失數(shù)據(jù)和數(shù)據(jù)聚合
在本篇文章中，我們將深入探討Pandas庫中兩個重要的數(shù)據(jù)處理功能：處理缺失數(shù)據(jù)和數(shù)據(jù)聚合，文中有詳細的代碼示例，對我們的學(xué)習(xí)或工作有一定的幫助,需要的朋友可以參考下2023-07-07
Python使用tkinter庫實現(xiàn)文本顯示用戶輸入功能示例
這篇文章主要介紹了Python使用tkinter庫實現(xiàn)文本顯示用戶輸入功能,結(jié)合實例形式分析了tkinter庫獲取用戶輸入及控件顯示相關(guān)操作技巧,需要的朋友可以參考下2018-05-05
Python中用try-except-finally處理異常問題
這篇文章主要介紹了Python中用try-except-finally處理異常問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-12-12
Python?Fire是一個開源庫,它能夠自動生成命令行接口,讓Python程序變得更加友好和易用,本文主要為大家介紹了Python?Fire如何根據(jù)Python函數(shù)自動生成命令行接口,感興趣的可以了解下2023-11-11
梯度下降算法是一個很基本的算法，在機器學(xué)習(xí)和優(yōu)化中有著非常重要的作用，下面這篇文章主要給大家介紹了關(guān)于利用Python實現(xiàn)梯度下降法的相關(guān)資料，對大家具有一定的參考學(xué)習(xí)價值，需要的朋友們下面來一起看看吧。2017-07-07