分布式爬蟲scrapy-redis的實戰(zhàn)踩坑記錄

更新時間：2022年08月05日 10:39:17 作者：Indra_ran

最近用scrapy-redis嘗試了分布式爬蟲,使用過程中也遇到了不少問題,下面這篇文章主要給大家介紹了關(guān)于分布式爬蟲scrapy-redis的實戰(zhàn)踩坑記錄,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下

一、安裝redis

因為是在CentOS系統(tǒng)下安裝的，并且是服務(wù)器。遇到的困難有點多不過。

1.首先要下載相關(guān)依賴

首先先檢查是否有c語言的編譯環(huán)境，你問我問什么下載這個，我只能說它是下載安裝redis的前提，就像水和魚一樣。

rpm -q gcc```

如果輸出版本號，則證明下載好了，否則就執(zhí)行下面的命令，安裝gcc，

2.然后編譯redis

下載你想要的redis版本注意下面的3.0.6是版本號，根據(jù)自己想要的下載版本號，解壓

yum install gcc-c++
cd /usr/local/redis
wget http://download.redis.io/releases/redis-3.0.6.tar.gz
tar zxvf redis-3.0.6.tar.gz
make && make install

什么？你問我沒有redis文件夾怎么辦，mkdir創(chuàng)建啊!!!

一定要先進入目錄再去執(zhí)行下載編譯，這樣下載的redis才會進入系統(tǒng)變量。

redis-server
redis-cli

啟動服務(wù)你是下面這樣的嗎？

是的就不正常了??！你才下載好了，你會發(fā)現(xiàn)你可以開啟服務(wù)了，但是退不出來，無法進入命令行了，變成下面的這鬼摸樣了，別急，你還沒配置好，慢慢來。

還記得你剛剛創(chuàng)建的redis文件夾嗎？進入那里面，找到redis.conf，修改這個配置文件。

redis-server
redis-cli

找到這三個并改正。

首先將bind進行注釋，因為如果不注釋的話，你就只能本機訪問了，我相信你下載肯定不只是自己訪問吧。這就意味著所有ip都可以訪問這個數(shù)據(jù)庫，但你又問了，這會不會影響安全性能呢？答：你都是租的服務(wù)器了，就算你想讓別人訪問，你還有安全組規(guī)則限制的啊，你問我什么是安全組？快去百度！！
將守護模式關(guān)閉，這樣你才能遠程讀寫數(shù)據(jù)庫
開啟后臺模式，你才能像我那樣，而不是退不出來

保存退出，重啟redis，這樣，redis就配置好了，還可以設(shè)置密碼，但是我懶，不想設(shè)置。

至此數(shù)據(jù)庫配置成功

二、scrapy框架出現(xiàn)的問題

1.AttributeError: TaocheSpider object has no attribute make_requests_from_url 原因：

新版本的scrapy框架已經(jīng)丟棄了這個函數(shù)的功能，但是并沒有完全移除，雖然函數(shù)已經(jīng)移除，但是還是在某些地方用到了這個，出現(xiàn)矛盾。

解決方法

自己在相對應(yīng)的報錯文件中重寫一下這個方法
就是在

def make_requests_from_url(self,url):
	return scrapy.Request(url,dont_filter=True)

2.ValueError: unsupported format character : (0x3a) at index 9 問題：

我開起了redis的管道，將數(shù)據(jù)保存在了redis中，但是每次存儲總是失敗報錯。

原因：

我在settings.py文件中重寫了保存的方法，但是保存的寫法不對導(dǎo)致我一直以為是源碼的錯誤

# item存儲鍵的設(shè)置
REDIS_ITEMS_KEY = '%(spider):items'

源碼是

return self.spider % {"spider":spider.name}

太坑了，我為了這個錯誤差點重寫了一個scrapy框架…

注意！如果你覺得你的主代碼一點問題都沒有，那就一定是配置文件的問題，大小寫，配置環(huán)境字母不對等

三、scrapy正確的源代碼

1.items.py文件

import scrapy
class MyspiderItem(scrapy.Item):
    # define the fields for your item here like:
    lazyimg = scrapy.Field()
    title = scrapy.Field()
    resisted_data = scrapy.Field()
    mileage = scrapy.Field()
    city = scrapy.Field()
    price = scrapy.Field()
    sail_price = scrapy.Field()

2.settings.py文件

# Scrapy settings for myspider project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'myspider'

SPIDER_MODULES = ['myspider.spiders']
NEWSPIDER_MODULE = 'myspider.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent

# Obey robots.txt rules
# LOG_LEVEL = "WARNING"

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'myspider.middlewares.MyspiderSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'myspider.middlewares.MyspiderDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.69 Safari/537.36'

LOG_LEVEL = 'WARNING'
LOG_FILE = './log.log'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# 指定管道 ，scrapy-redis組件幫我們寫好
ITEM_PIPELINES = {
        "scrapy_redis.pipelines.RedisPipeline":400
}

# 指定redis
REDIS_HOST = '' # redis的服務(wù)器地址，我們現(xiàn)在用的是虛擬機上的回環(huán)地址
REDIS_PORT = # virtual Box轉(zhuǎn)發(fā)redistribution的端口

# 去重容器類配置 作用：redis的set集合來存儲請求的指紋數(shù)據(jù)，從而實現(xiàn)去重的持久化
DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'

# 使用scrapy-redis的調(diào)度器
SCHEDULER = 'scrapy_redis.scheduler.Scheduler'

# 配置調(diào)度器是否需要持久化，爬蟲結(jié)束的時候要不要清空redis中請求隊列和指紋的set集合，要持久化設(shè)置為True
SCHEDULER_PERSIST = True

# 最大閑置時間，防止爬蟲在分布式爬取的過程中關(guān)閉
# 這個僅在隊列是SpiderQueue 或者 SpiderStack才會有作用，
# 也可以阻塞一段時間，當(dāng)你的爬蟲剛開始時（因為剛開始時，隊列是空的）
SCHEDULER_IDLE_BEFORE_CLOSE = 10

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

3.taoche.py文件

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_redis.spiders import RedisCrawlSpider
from ..items import MyspiderItem
import logging
log = logging.getLogger(__name__)
class TaocheSpider(RedisCrawlSpider):
    name = 'taoche'
    # allowed_domains = ['taoche.com'] # 不做域名限制
    # start_urls = ['http://taoche.com/'] # 起始的url應(yīng)該去redis（公共調(diào)度器） 里面獲取

    redis_key = 'taoche' # 回去redis（公共調(diào)度器）里面獲取key為taoche的數(shù)據(jù) taoche:[]
    # 老師，我給你找一下我改的源碼在哪里，看看是那的錯誤嗎
    rules = (
        # LinkExtractor 鏈接提取器，根據(jù)正則規(guī)則提取url地址
        # callback 提取出來的url地址發(fā)送請求獲取響應(yīng)，會把響應(yīng)對象給callback指定的函數(shù)進行處理
        # follow  獲取的響應(yīng)頁面是否再次經(jīng)過rules進行提取url
        Rule(LinkExtractor(allow=r'/\?page=\d+?'),
             callback='parse_item',
             follow=True),
    )

    def parse_item(self, response):
        print("開始解析數(shù)據(jù)")
        car_list = response.xpath('//div[@id="container_base"]/ul/li')
        for car in car_list:

            lazyimg = car.xpath('./div[1]/div/a/img/@src').extract_first()
            title = car.xpath('./div[2]/a/span/text()').extract_first()
            resisted_data = car.xpath('./div[2]/p/i[1]/text()').extract_first()
            mileage = car.xpath('./div[2]/p/i[2]/text()').extract_first()
            city = car.xpath('./div[2]/p/i[3]/text()').extract_first()
            city = city.replace('\n', '')
            city = city.strip()
            price = car.xpath('./div[2]/div[1]/i[1]/text()').extract_first()
            sail_price = car.xpath('./div[2]/div[1]/i[2]/text()').extract_first()

            item = MyspiderItem()
            item['lazyimg'] = lazyimg
            item['title'] = title
            item['resisted_data'] = resisted_data
            item['mileage'] = mileage
            item['city'] = city
            item['price'] = price
            item['sail_price'] = sail_price
            log.warning(item)
            # scrapy.Request(url=function,dont_filter=True)
            yield item

4.其余文件

中間件沒有用到所以就沒有寫
管道用的是scrapy_redis里面的，自己也就不用寫

總結(jié)

到此這篇關(guān)于分布式爬蟲scrapy-redis踩坑的文章就介紹到這了,更多相關(guān)分布式爬蟲scrapy-redis踩坑內(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！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

軟件下載

源碼下載

軟件編程

網(wǎng)絡(luò)編程

在線工具

數(shù)據(jù)庫

CMS

常用工具

分布式爬蟲scrapy-redis的實戰(zhàn)踩坑記錄

目錄

一、安裝redis

1.首先要下載相關(guān)依賴

2.然后編譯redis

二、scrapy框架出現(xiàn)的問題

1.AttributeError: TaocheSpider object has no attribute make_requests_from_url 原因：

2.ValueError: unsupported format character : (0x3a) at index 9 問題：

三、scrapy正確的源代碼

1.items.py文件

2.settings.py文件

3.taoche.py文件

4.其余文件

總結(jié)

相關(guān)文章

最新評論

大家感興趣的內(nèi)容

最近更新的內(nèi)容

常用在線小工具

分布式爬蟲scrapy-redis的實戰(zhàn)踩坑記錄

目錄

一、安裝redis

1.首先要下載相關(guān)依賴

2.然后編譯redis

二、scrapy框架出現(xiàn)的問題

1.AttributeError: TaocheSpider object has no attribute make_requests_from_url 原因：

2.ValueError: unsupported format character : (0x3a) at index 9 問題：

三、scrapy正確的源代碼

1.items.py文件

2.settings.py文件

3.taoche.py文件

4.其余文件

總結(jié)

相關(guān)文章

最新評論

大家感興趣的內(nèi)容

最近更新的內(nèi)容

常用在線小工具

一、安裝redis

二、scrapy框架出現(xiàn)的問題

三、scrapy正確的源代碼