Python网络爬虫(二十四)——Scrapy-Redis

Scrapy 是一个框架，他本身是不支持分布式的。如果我们想要做分布式的爬虫，就需要借助一个组件叫做 Scrapy-Redis，这个组件正是利用了 Redis 可以分布式的功能，集成到 Scrapy 框架中，使得爬虫可以进行分布式。可以充分的利用资源来提高爬虫的爬行效率。

分布式爬虫的优点：

1. 可以充分利用多台机器的带宽
2. 可以充分利用多台机器的 ip 地址
3. 多台机器做，爬取效率更高

分布式爬虫必须要解决的问题：

1. 分布式爬虫是好几台机器在同时运行，如何保证不同的机器爬取页面的时候不会出现重复爬取的问题
2. 分布式爬虫在不同的机器上运行，在把数据爬完后如何保证保存在同一个地方

安装：

通过 pip install scrapy-redis 即可安装。

Scrapy-Redis架构：

Scrapy 架构图：

Scrapy-Redis 架构图：

分布式爬虫架构图：

以上两个图片对比我们可以发现。Item Pipeline 在接收到数据后发送给了 Redis、Scheduler 调度器调度数据也是从 Redis 中来的、并且其实数据去重也是在 Redis 中做的。

编写 Scrapy-Redis 分布式爬虫：

要将一个 Scrapy 项目变成一个 Scrapy-redis 项目只需修改以下三点就可以了：

• 将爬虫的类从 scrapy.Spider 变成 scrapy_redis.spiders.RedisSpider；或者是从 scrapy.CrawlSpider 变成scrapy_redis.spiders.RedisCrawlSpider
• 将爬虫中的 start_urls 删掉。增加一个 redis_key="xxx"。这个 redis_key 是为了以后在 redis 中控制爬虫启动的。爬虫的第一个 url，就是在 redis 中通过这个发送出去的
• 在配置文件中增加如下配置

    # Scrapy-Redis相关配置
    # 确保request存储到redis中
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"

    # 确保所有爬虫共享相同的去重指纹
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

    # 设置redis为item pipeline
    ITEM_PIPELINES = {
        'scrapy_redis.pipelines.RedisPipeline': 300
    }

    # 在redis中保持scrapy-redis用到的队列，不会清理redis中的队列，从而可以实现暂停和恢复的功能。
    SCHEDULER_PERSIST = True

    # 设置连接redis信息
    REDIS_HOST = '127.0.0.1'
    REDIS_PORT = 6379

• 运行爬虫：
  • 在爬虫服务器上。进入爬虫文件所在的路径，然后输入命令：scrapy runspider [爬虫名字]。
  • 在 Redis 服务器上，推入一个开始的 url 链接：redis-cli> lpush [redis_key] start_url 开始爬取。