快捷導(dǎo)航

scrapy-redis分布式爬蟲(chóng)的搭建過(guò)程(理論篇)

更新時(shí)間：2020年09月29日 11:09:17 作者：Kosmoo

這篇文章主要介紹了scrapy-redis分布式爬蟲(chóng)的搭建過(guò)程(理論篇)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

1. 背景

Scrapy 是一個(gè)通用的爬蟲(chóng)框架，但是不支持分布式，Scrapy-redis是為了更方便地實(shí)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(duì)比一下scrapy 和 Scrapy-redis 的架構(gòu)圖。

scrapy架構(gòu)圖：

這里寫(xiě)圖片描述

scrapy-redis 架構(gòu)圖：

這里寫(xiě)圖片描述

多了一個(gè)redis組件，主要影響兩個(gè)地方：第一個(gè)是調(diào)度器。第二個(gè)是數(shù)據(jù)的處理。 3.2. Scrapy-Redis分布式策略。

這里寫(xiě)圖片描述

作為一個(gè)分布式爬蟲(chóng)，是需要有一個(gè)Master端（核心服務(wù)器）的，在Master端，會(huì)搭建一個(gè)Redis數(shù)據(jù)庫(kù)，用來(lái)存儲(chǔ)start_urls、request、items。Master的職責(zé)是負(fù)責(zé)url指紋判重，Request的分配，以及數(shù)據(jù)的存儲(chǔ)（一般在Master端會(huì)安裝一個(gè)mongodb用來(lái)存儲(chǔ)redis中的items）。出了Master之外，還有一個(gè)角色就是slaver（爬蟲(chóng)程序執(zhí)行端），它主要負(fù)責(zé)執(zhí)行爬蟲(chóng)程序爬取數(shù)據(jù)，并將爬取過(guò)程中新的Request提交到Master的redis數(shù)據(jù)庫(kù)中。

如上圖，假設(shè)我們有四臺(tái)電腦：A， B， C， D ，其中任意一臺(tái)電腦都可以作為 Master端或 Slaver端。整個(gè)流程是：

首先Slaver端從Master端拿任務(wù)（Request、url）進(jìn)行數(shù)據(jù)抓取，Slaver抓取數(shù)據(jù)的同時(shí)，產(chǎn)生新任務(wù)的Request便提交給 Master 處理；
Master端只有一個(gè)Redis數(shù)據(jù)庫(kù)，負(fù)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(duì)列，并且存儲(chǔ)爬取的數(shù)據(jù)。

這里寫(xiě)圖片描述

Scrapy-Redis默認(rèn)使用的就是這種策略，我們實(shí)現(xiàn)起來(lái)很簡(jiǎn)單，因?yàn)槿蝿?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(diǎn)是，Scrapy-Redis調(diào)度的任務(wù)是Request對(duì)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(huì)降低爬蟲(chóng)速度、而且會(huì)占用Redis大量的存儲(chǔ)空間，所以如果要保證效率，那么就需要一定硬件水平。

4. 運(yùn)行流程

第一步：在slaver端的爬蟲(chóng)中，指定好 redis_key，并指定好redis數(shù)據(jù)庫(kù)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(kù)的連接參數(shù)
'REDIS_HOST': '172.16.1.99',
'REDIS_PORT': 6379,

第二步：?jiǎn)?dòng)slaver端的爬蟲(chóng)，爬蟲(chóng)進(jìn)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：?jiǎn)?dòng)腳本，往redis數(shù)據(jù)庫(kù)中填入redis_key（start_urls）

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import redis

# 將start_url 存儲(chǔ)到redis中的redis_key中，讓爬蟲(chóng)去爬取
redis_Host = "172.16.1.99"
redis_key = 'amazonCategory:start_urls'

# 創(chuàng)建redis數(shù)據(jù)庫(kù)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)

這里寫(xiě)圖片描述

第四步：slaver端的爬蟲(chóng)開(kāi)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：?jiǎn)?dòng)腳本，將redis中的items，轉(zhuǎn)儲(chǔ)到mongodb中。

這部分代碼，請(qǐng)參照：scrapy-redis分布式爬蟲(chóng)的搭建過(guò)程（代碼篇）

5. 環(huán)境安裝以及代碼編寫(xiě)

5.1. scrapy-redis環(huán)境安裝

pip install scrapy-redis

這里寫(xiě)圖片描述

代碼位置：后面可以進(jìn)行修改定制。

這里寫(xiě)圖片描述

5.2. scrapy-redis分布式爬蟲(chóng)編寫(xiě)

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(guò)git）

git clone https://github.com/rmax/scrapy-redis.git

這里寫(xiě)圖片描述

官網(wǎng)提供了兩種示例代碼，分別繼承自 Spider + redis 和 CrawlSpider + redis

這里寫(xiě)圖片描述

第二步，根據(jù)官網(wǎng)提供的示例代碼進(jìn)行修改。

到此這篇關(guān)于scrapy-redis分布式爬蟲(chóng)的搭建過(guò)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(chóng)搭建內(nèi)容請(qǐng)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！

您可能感興趣的文章: