python爬虫之Scrapy介绍八——Scrapy-分布式（以爬取京东读书为示例）

1 Scrapy-分布式介绍

1.1 Scrapy-redis工作原理

首先回顾一下Scrapy的工作流程，然后进一步介绍Srapy-分布式的工作流程和原理。
（1）Scrapy的工作流程
详见：python爬虫之Scrapy入门介绍——安装、工作流程、模块介绍

首先，调度器（Scheduler）存放着目标urls或者是存放引擎发过来的request请求。
然后，引擎（Scrapy engine）协调调度器（Scheduler）把请求发给下载器（Downloader）,让下载器下载请求，并返回给引擎。
接着，引擎（Scrapy engine）把获得的响应发给爬虫（Spider），爬虫处理引擎发来的response,提取数据,提取url,并交给引擎‘
最后，引擎（Scrapy engine）把响应内容发给管道（Item Pipline），管道处理引擎传过来的数据,比如存储。

（2）而Scrapy-分布式是为了弥补Scrapy的一些不足而发展起来。主要是起到去重url和更好实现多线程爬取。

那Scrapy-分布式是如何实现去重？它借助了redis快速读取功能来实现去重。具体而言：1）利用redis数据库分别存储待爬取的request对象；2）存储爬取过了的request对象，即指纹集合。3）在1)和2）存储的内容进行对比，进而实现去重。
除此之外，redis也可以存储爬取了的数据

1.2 Scrapy-redis 安装和基本使用

1.2.1 安装

（1）python 安装

pip install scrapy_redis

（2）基本使用数据来源

clone github scrapy_redis源码文件
git clone https://github.com/rolando/scrapy-redis.git

（3）打开example示例项目

1.2.2 基本使用

（1）了解example项目里的setting文件

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

USER_AGENT = 'scrapy-redis (+https://github.com/rolando/scrapy-redis)'

# 指定去重方法给request对象去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 指定Scheduler队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 队列中的内容是否持久保存,为false的时候在关闭Redis的时候,清空Redis
SCHEDULER_PERSIST = True
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"

# 打开scrapy里面的pipeline和scrapy_redis.pipelines
ITEM_PIPELINES = {
    'example.pipelines.ExamplePipeline': 300,
    # scrapy_redis实现的items保存到redis的pipline
    'scrapy_redis.pipelines.RedisPipeline': 400,
}

LOG_LEVEL = 'DEBUG'

# Introduce an artifical delay to make use of parallelism. to speed up the
# crawl.
DOWNLOAD_DELAY = 1

（2）运行example-project里面的dmoz.py
1）先要启动radis服务端

redis-server

2）创建start文件

from scrapy import cmdline

cmdline.execute(['scrapy','crawl','dmoz'])

3）启动redis服务端，了解数据库存储数据情况

redis-cli.exe

4）运行结果


5）结果解释

dmoz:requests   存放的是待爬取的requests对象 
dmoz:item       爬取到的信息
dmoz:dupefilter 爬取的requests的指纹

6）总结

2 Scrapy转为Scrapy-分布式

步骤：
普通爬虫改成分布式爬虫
1.改造爬虫
1.1 导入类
1.2 继承类
1.3 注释start_url
2.改写配置文件

2.1 scrapy爬取京东读书

按常规创建jdspider项目，下面仅展示爬虫文件逻辑

import scrapy
from copy import deepcopy

''''
需求：抓取京东图书的信息
目标：抓取京东图书包含图书的名字、
封面图片地址、图书url地址、
作者、出版社、出版时间、价格、图书所属大分类、图书所属小的分类、分类的url地址
'''

class JdSpider(scrapy.Spider):
    name = 'jd'
    allowed_domains = ['jd.com']
    start_urls = ['https://book.jd.com/booksort.html']

    def parse(self, response):
        # 获取图书大类（小说、文学、青春文学等），存储在 //div[@class="mc"]/dl/dt/a
        dt_list = response.xpath('//div[@class="mc"]/dl/dt')
        for dt in dt_list:
            item = {}
            item['b_cate'] = dt.xpath('./a/text()').extract_first()
            # 获取图书小类（中国近当代小说中国近现代小说中国古典小说），存储在//div[@class="mc"]/dl/dd/em
            em_list = dt.xpath("./following-sibling::dd[1]/em")
            for em in em_list:
                item['s_cate'] = em.xpath("./a/text()").extract_first()
                item['s_href'] = em.xpath("./a/@href").extract_first()
                if item['s_href'] is not None:
                    item['s_href'] = "https:" + item['s_href']
                # 目前已获取到图书的大类和小类，现在要进入列表页获取图书的价格、出版社等信息
                    yield scrapy.Request(
                        url=item['s_href'],
                        callback=self.parse_book_list,
                        meta={'item': deepcopy(item)}
                    )

    def parse_book_list(self,response):
        item = response.meta.get('item')
        li_list = response.xpath("//div[@id='J_goodsList']/ul/li")
        for li in li_list:
            # 在列表页获取书名、书的图片、价格和出版社
            item['book_name'] = li.xpath('.//div[@class="p-img"]/a/em/text()').extract_first()
            item['book_img'] = li.xpath('.//div[@class="p-img"]/a/img/@src').extract_first()
            item['book_price'] = li.xpath('.//div[@class="p-price"]/strong/i/text()').extract_first()
            item["book_press"] = li.xpath(".//span[@class='p-bi-store']/a/text()").extract_first()
            # print(item)
            yield item

2.2 改为Scrapy-分布式

1.改造爬虫
1.1 导入类
1.2 继承类
1.3 注释start_url

import scrapy
from copy import deepcopy
from scrapy_redis.spiders import RedisSpider # 导入类

''''
需求：抓取京东图书的信息
目标：抓取京东图书包含图书的名字、
封面图片地址、图书url地址、
作者、出版社、出版时间、价格、图书所属大分类、图书所属小的分类、分类的url地址
'''

class JdSpider(RedisSpider):  # 继承类
    name = 'jd'
    allowed_domains = ['jd.com']
    # start_urls = ['https://book.jd.com/booksort.html']
    redis_key = "jd

2.改写seting配置文件

# 指定那个去重的方法给requests对象去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 指定Scheduler队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# Redis中的数据是否保存持久 如果是false 关闭Redis的时候 数据会被清空
SCHEDULER_PERSIST = True
ITEM_PIPELINES = {
   'JDSpideer.pipelines.JdspideerPipeline': 300,
    'scrapy_redis.pipelines.RedisPipeline': 400,
}

3.启动radis服务端和客户端
在客户端中输入，以为设置初始url

LPUSH jd https://book.jd.com/booksort.html

结果：