爬蟲必備—scrapy-redis（分佈式爬蟲）

時間 2019-11-29

原文原文鏈接

轉載自：http://www.cnblogs.com/wupeiqi/articles/6912807.html

scrapy-redis是一個基於redis的scrapy組件，經過它能夠快速實現簡單分佈式爬蟲程序，該組件本質上提供了三大功能：

scheduler - 調度器
dupefilter - URL去重規則（被調度器使用）
pipeline - 數據持久化

scrapy-redis組件

1. URL去重html

 1 定義去重規則（被調度器調用並應用）
 2  
 3     a. 內部會使用如下配置進行鏈接Redis
 4  
 5         # REDIS_HOST = 'localhost'                            # 主機名
 6         # REDIS_PORT = 6379                                   # 端口
 7         # REDIS_URL = 'redis://user:pass@hostname:9001'       # 鏈接URL（優先於以上配置）
 8         # REDIS_PARAMS  = {}                                  # Redis鏈接參數             默認：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
 9         # REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定鏈接Redis的Python模塊  默認：redis.StrictRedis
10         # REDIS_ENCODING = "utf-8"                            # redis編碼類型             默認：'utf-8'
11      
12     b. 去重規則經過redis的集合完成，集合的Key爲：
13      
14         key = defaults.DUPEFILTER_KEY % {'timestamp': int(time.time())}
15         默認配置：
16             DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'
17               
18     c. 去重規則中將url轉換成惟一標示，而後在redis中檢查是否已經在集合中存在
19      
20         from scrapy.utils import request
21         from scrapy.http import Request
22          
23         req = Request(url='http://www.cnblogs.com/wupeiqi.html')
24         result = request.request_fingerprint(req)
25         print(result) # 8ea4fd67887449313ccc12e5b6b92510cc53675c
26          
27          
28         PS:
29             - URL參數位置不一樣時，計算結果一致；
30             - 默認請求頭不在計算範圍，include_headers能夠設置指定請求頭
31             示例：
32                 from scrapy.utils import request
33                 from scrapy.http import Request
34                  
35                 req = Request(url='http://www.baidu.com?name=8&id=1',callback=lambda x:print(x),cookies={'k1':'vvvvv'})
36                 result = request.request_fingerprint(req,include_headers=['cookies',])
37                  
38                 print(result)
39                  
40                 req = Request(url='http://www.baidu.com?id=1&name=8',callback=lambda x:print(x),cookies={'k1':666})
41                  
42                 result = request.request_fingerprint(req,include_headers=['cookies',])
43                  
44                 print(result)
45          
46 """
47 # Ensure all spiders share same duplicates filter through redis.
48 # DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

2. 調度器python

 1 """
 2 調度器，調度器使用PriorityQueue（有序集合）、FifoQueue（列表）、LifoQueue（列表）進行保存請求，而且使用RFPDupeFilter對URL去重
 3      
 4     a. 調度器
 5         SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'          # 默認使用優先級隊列（默認），其餘：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
 6         SCHEDULER_QUEUE_KEY = '%(spider)s:requests'                         # 調度器中請求存放在redis中的key
 7         SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"                  # 對保存到redis中的數據進行序列化，默認使用pickle
 8         SCHEDULER_PERSIST = True                                            # 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
 9         SCHEDULER_FLUSH_ON_START = True                                     # 是否在開始以前清空 調度器和去重記錄，True=清空，False=不清空
10         SCHEDULER_IDLE_BEFORE_CLOSE = 10                                    # 去調度器中獲取數據時，若是爲空，最多等待時間（最後沒數據，未獲取到）。
11         SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'                  # 去重規則，在redis中保存時對應的key
12         SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'# 去重規則對應處理的類
13  
14  
15 """
16 # Enables scheduling storing requests queue in redis.
17 SCHEDULER = "scrapy_redis.scheduler.Scheduler"
18  
19 # Default requests serializer is pickle, but it can be changed to any module
20 # with loads and dumps functions. Note that pickle is not compatible between
21 # python versions.
22 # Caveat: In python 3.x, the serializer must return strings keys and support
23 # bytes as values. Because of this reason the json or msgpack module will not
24 # work by default. In python 2.x there is no such issue and you can use
25 # 'json' or 'msgpack' as serializers.
26 # SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"
27  
28 # Don't cleanup redis queues, allows to pause/resume crawls.
29 # SCHEDULER_PERSIST = True
30  
31 # Schedule requests using a priority queue. (default)
32 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'
33  
34 # Alternative queues.
35 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'
36 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'
37  
38 # Max idle time to prevent the spider from being closed when distributed crawling.
39 # This only works if queue class is SpiderQueue or SpiderStack,
40 # and may also block the same time when your spider start at the first time (because the queue is empty).
41 # SCHEDULER_IDLE_BEFORE_CLOSE = 10

3. 數據持久化redis

1 2. 定義持久化，爬蟲yield Item對象時執行RedisPipeline
2      
3     a. 將item持久化到redis時，指定key和序列化函數
4      
5         REDIS_ITEMS_KEY = '%(spider)s:items'
6         REDIS_ITEMS_SERIALIZER = 'json.dumps'
7      
8     b. 使用列表保存item數據

4. 起始URL相關json

 1 """
 2 起始URL相關
 3  
 4     a. 獲取起始URL時，去集合中獲取仍是去列表中獲取？True，集合；False，列表
 5         REDIS_START_URLS_AS_SET = False    # 獲取起始URL時，若是爲True，則使用self.server.spop；若是爲False，則使用self.server.lpop
 6     b. 編寫爬蟲時，起始URL從redis的Key中獲取
 7         REDIS_START_URLS_KEY = '%(name)s:start_urls'
 8          
 9 """
10 # If True, it uses redis' ``spop`` operation. This could be useful if you
11 # want to avoid duplicates in your start urls list. In this cases, urls must
12 # be added via ``sadd`` command or you will get a type error from redis.
13 # REDIS_START_URLS_AS_SET = False
14  
15 # Default start urls key for RedisSpider and RedisCrawlSpider.
16 # REDIS_START_URLS_KEY = '%(name)s:start_urls'

scrapy-redis示例

 1 # DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
 2 #
 3 #
 4 # from scrapy_redis.scheduler import Scheduler
 5 # from scrapy_redis.queue import PriorityQueue
 6 # SCHEDULER = "scrapy_redis.scheduler.Scheduler"
 7 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'          # 默認使用優先級隊列（默認），其餘：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
 8 # SCHEDULER_QUEUE_KEY = '%(spider)s:requests'                         # 調度器中請求存放在redis中的key
 9 # SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"                  # 對保存到redis中的數據進行序列化，默認使用pickle
10 # SCHEDULER_PERSIST = True                                            # 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
11 # SCHEDULER_FLUSH_ON_START = False                                    # 是否在開始以前清空 調度器和去重記錄，True=清空，False=不清空
12 # SCHEDULER_IDLE_BEFORE_CLOSE = 10                                    # 去調度器中獲取數據時，若是爲空，最多等待時間（最後沒數據，未獲取到）。
13 # SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'                  # 去重規則，在redis中保存時對應的key
14 # SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'# 去重規則對應處理的類
15 #
16 #
17 #
18 # REDIS_HOST = '10.211.55.13'                           # 主機名
19 # REDIS_PORT = 6379                                     # 端口
20 # # REDIS_URL = 'redis://user:pass@hostname:9001'       # 鏈接URL（優先於以上配置）
21 # # REDIS_PARAMS  = {}                                  # Redis鏈接參數             默認：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
22 # # REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定鏈接Redis的Python模塊  默認：redis.StrictRedis
23 # REDIS_ENCODING = "utf-8"                              # redis編碼類型             默認：'utf-8'
24 
25 配置文件

配置文件

 1 import scrapy
 2 
 3 
 4 class ChoutiSpider(scrapy.Spider):
 5     name = "chouti"
 6     allowed_domains = ["chouti.com"]
 7     start_urls = (
 8         'http://www.chouti.com/',
 9     )
10 
11     def parse(self, response):
12         for i in range(0,10):
13             yield