文章目录
一、Scrapy架构流程介绍
Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
Scrapy 是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架。因此Scrapy使用了一种非阻塞（又名异步）的代码来实现并发。整体架构大致如下：
官网链接：https://docs.scrapy.org/en/latest/topics/architecture.html
官方原文解释：
1.The data flow in Scrapy is controlled by the execution engine, and goes like this:
The Engine gets the initial Requests to crawl from the Spider.
（引擎从Spider获取要爬行的初始请求。）
2.The Engine schedules the Requests in the Scheduler and asks for the next Requests to crawl.
（引擎在调度器中对请求进行调度，并要求对下一个请求进行爬取。）
3.The Scheduler returns the next Requests to the Engine.
（调度器将下一个请求返回给引擎。）
4.The Engine sends the Requests to the Downloader, passing through the Downloader Middlewares (see process_request()).
（引擎将请求发送给下载器，通过下载器中间件(请参阅process_request())。）
5.Once the page finishes downloading the Downloader generates a Response (with that page) and sends it to the Engine, passing through the Downloader Middlewares (see process_response()).
（一旦页面完成下载，Downloader就会生成一个响应(使用该页面)并将其发送给引擎，通过Downloader中间件传递(请参阅process_response())。）
6.The Engine receives the Response from the Downloader and sends it to the Spider for processing, passing through the Spider Middleware (see process_spider_input()).
（引擎从下载器接收响应，并通过Spider中间件将其发送给Spider进行处理(参见process_spider_input())。）
7.The Spider processes the Response and returns scraped items and new Requests (to follow) to the Engine, passing through the Spider Middleware (see process_spider_output()).
（Spider处理响应，并通过Spider Middleware(参见process_spider_output())将抓取的项和新的请求返回给引擎。）
8.The Engine sends processed items to Item Pipelines, then send processed Requests to the Scheduler and asks for possible next Requests to crawl.
（引擎将处理过的项目发送到项目管道，然后将处理过的请求发送到调度器，并请求抓取可能的下一个请求。）
9.The process repeats (from step 1) until there are no more requests from the Scheduler.
（该过程重复(从步骤1开始)，直到没有来自Scheduler的更多请求。）
'架构'
爬虫：spiders(自己定义的，可以有很多)，定义起始爬取的地址，解析规则
引擎：engine ---》控制整个框架数据的流动，大总管
调度器：scheduler---》要爬取的 requests对象，放在里面，排队，去重
下载中间件：DownloaderMiddleware---》处理请求对象，处理响应对象,下载中间件，爬虫中间件
下载器：Downloader ----》负责真正的下载，效率很高，基于twisted的高并发的模型之上
爬虫中间件：spiderMiddleware----》处于engine和爬虫直接的(用的少)
管道：piplines---》负责存储数据（管道，持久化，保存，文件，mysql）
'-----------------'
引擎(EGINE)
引擎负责控制系统所有组件之间的数据流，并在某些动作发生时触发事件。有关详细信息，请参见上面的数据流部分。
调度器(SCHEDULER)
用来接受引擎发过来的请求, 压入队列中, 并在引擎再次请求的时候返回. 可以想像成一个URL的优先级队列, 由它来决定下一个要抓取的网址是什么, 同时去除重复的网址
下载器(DOWLOADER)
用于下载网页内容, 并将网页内容返回给EGINE，下载器是建立在twisted这个高效的异步模型上的
爬虫(SPIDERS)--->在这里写代码
SPIDERS是开发人员自定义的类，用来解析responses，并且提取items，或者发送新的请求
项目管道(ITEM PIPLINES)
在items被提取后负责处理它们，主要包括清理、验证、持久化（比如存到数据库）等操作
下载器中间件(Downloader Middlewares)
位于Scrapy引擎和下载器之间，主要用来处理从EGINE传到DOWLOADER的请求request，已经从DOWNLOADER传到EGINE的响应response，
你可用该中间件做以下几件事：设置请求头，设置cookie，使用代理，集成selenium
爬虫中间件(Spider Middlewares)
位于EGINE和SPIDERS之间，主要工作是处理SPIDERS的输入（即responses）和输出（即requests）
二、Scrapy目录结构
myfirstscrapy # 项目名
myfirstscrapy # 文件夹名字，核心代码，都在这里面
spiders # 爬虫的文件，里面有所有的爬虫
__init__.py
baidu.py # 百度爬虫
cnblogs.py #cnblogs爬虫
items.py # 有很多模型类---》以后存储的数据，都做成模型类的对象，等同于django的models.py
middlewares.py # 中间件：爬虫中间件，下载中间件都写在这里面
pipelines.py #项目管道---》以后写持久化，都在这里面写
run.py # 自己写的，运行爬虫
settings.py # 配置文件 django的配置文件
scrapy.cfg # 项目上线用的，不需要关注
-以后咱们如果写爬虫，写解析，就写 spiders 下的某个py文件 咱么写的最多的
-以后配置都写在settings 中
-以后想写中间件：middlewares
-以后想做持久化：pipelines，items
三、Scrapy爬取和解析
Scrapy的一些命令
1 创建项目：scrapy startproject 项目名
2 创建爬虫：scrapy genspider 爬虫名 爬取的地址
scrapy gensipder cnblogs www.cnblogs.com
3 运行爬虫
运行cnblgos爬虫---》对首页进行爬取
scrapy crawl 爬虫名字
scrapy crawl cnblogs
scrapy crawl cnblogs --nolog 不打印日志
4 快速运行，不用命令
项目根路径新建 run.py,写入如下代码，以后右键运行run.py 即可
from scrapy.cmdline import execute
execute(['scrapy', 'crawl', 'cnblogs', '--nolog'])
5 解析数据---》提供了解析库--》css和xpath
1 response对象有css方法和xpath方法
-css中写css选择器 response.css('')
-xpath中写xpath选择 response.xpath('')
2 重点1：
-xpath取文本内容
'.//a[contains(@class,"link-title")]/text()'
-xpath取属性
'.//a[contains(@class,"link-title")]/@href'
-css取文本
'a.link-title::text'
-css取属性
'img.image-scale::attr(src)'
3 重点2：
.extract_first() 取一个
.extract() 取所有
css解析
import scrapy
class CnblogsSpider(scrapy.Spider):
name = "cnblogs"
allowed_domains = ["www.cnblogs.com"]
start_urls = ["https://www.cnblogs.com"]
def parse(self, response):
# response 就是爬取完后的对象
# print(response.text)
'使用css解析'
article_list = response.css('article.post-item')
for article in article_list:
title = article.css('a.post-item-title::text').extract_first()
# 取出所有后单独处理
desc = article.css('p.post-item-summary::text').extract()
real_desc = desc[0].replace('\n','').replace(' ','')
if not real_desc:
real_desc = desc[1].replace('\n', '').replace(' ', '')
# print(title)
# print(real_desc)
# 作者名字
author = article.css('footer.post-item-foot>a>span::text').extract_first()
# print(author)
# 头像
image_url = article.css('img.avatar::attr(src)').extract_first()
# print(image_url)
# 发布日期
data = article.css('span.post-meta-item>span::text').extract_first()
# print(data)
# 文章地址
url = article.css('a.post-item-title::attr(href)').extract_first()
print('''
文章名：%s
文章摘要：%s
文章作者：%s
作者头像：%s
文章日期：%s
文章地址：%s
'''%(title,real_desc,author,image_url,data,url))
xpath解析
import scrapy
class CnblogsSpider(scrapy.Spider):
name = "cnblogs"
allowed_domains = ["www.cnblogs.com"]
start_urls = ["https://www.cnblogs.com"]
def parse(self, response):
'使用xpath解析'
article_list = response.xpath('//article[@class="post-itme"]')
for article in article_list:
title = article.xpath('.//a[@class="post-item-title"]/text()').extract_first()
# 取出所有后单独处理
desc = article.xpath('.//p[@class="post-item-summary"]/text()').extract()
real_desc = desc[0].replace('\n','').replace(' ','')
if not real_desc:
real_desc = desc[1].replace('\n', '').replace(' ', '')
# print(title)
# print(real_desc)
# 作者名字
author = article.xpath('.//footer.[@class="post-item-foot"]/a/span/text()').extract_first()
# print(author)
# 头像
image_url = article.xpath('.//img[@class="avatar"]/@src').extract_first()
# print(image_url)
# 发布日期
data = article.xpath('.//span[@class="post-meta-item"]/span/text()').extract_first()
# print(data)
# 文章地址
url = article.xpath('.//a[@class="post-item-title"]/@href').extract_first()
print('''
文章名：%s
文章摘要：%s
文章作者：%s
作者头像：%s
文章日期：%s
文章地址：%s
'''%(title,real_desc,author,image_url,data,url))
四、Settings相关配置提高爬取效率
基础配置
1.是否遵循爬虫协议
ROBOTSTXT_OBEY = False # 正常来说你都来爬虫了 还遵循 ？
2.LOG_LEVEL 日志级别
LOG_LEVEL='ERROR' # 可以查看具体信息 不会显示无效信息
3.USER_AGENT # 电脑UA版本信息
user-agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/108.0.0.0 Safari/537.36
4.默认请求头
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language': 'en',
}
5.爬虫中间件
SPIDER_MIDDLEWARES = {
'cnblogs.middlewares.CnblogsSpiderMiddleware': 543,
}
6.下载中间件
DOWNLOADER_MIDDLEWARES = {
'cnblogs.middlewares.CnblogsDownloaderMiddleware': 543,
}
7.持久化配置
ITEM_PIPELINES = {
'cnblogs.pipelines.CnblogsPipeline': 300,
}
8.爬虫项目名称
BOT_NAME = 'myfirstscrapy'
9.指定爬虫类的Py文件的位置
SPIDER_MODULES = ['myfirstscrapy.spiders']
NEWSPIDER_MODULE = 'myfirstscrapy.spiders'
增加爬虫的爬取效率
1.增加并发量
# 默认scrapy开启的并发线程为32个，可以适当进行增加。在settings配置文件中修改
CONCURRENT_REQUESTS = 100
2.降低日志级别
# 在运行scrapy时，会有大量日志信息的输出，为了减少CPU的使用率。可以设置log输出信息为INFO或者ERROR即可。
LOG_LEVEL = 'INFO'
3.禁止Cookie
# 如果不是真的需要cookie，则在scrapy爬取数据时可以禁止cookie从而减少CPU的使用率，提升爬取效率。
COOKIES_ENABLED = False
4.禁止重试
# 对失败的HTTP进行重新请求（重试）会减慢爬取速度，因此可以禁止重试。
RETRY_ENABLED = False
5.减少下载超时
# 如果对一个非常慢的链接进行爬取，减少下载超时可以能让卡住的链接快速被放弃，从而提升效率。
DOWNLOAD_TIMEOUT = 10 # 超时时间为10s
五、持久化数据
1.在items中新建类
import scrapy
class MyfirstscrapyItem(scrapy.Item):
# define the fields for your item here like:
title = scrapy.Field()
author = scrapy.Field()
real_desc= scrapy.Field()
data = scrapy.Field()
img_url= scrapy.Field()
url = scrapy.Field()
# '----------文章详情--------'
content = scrapy.Field()
2.在解析中，得到item对象，并且yield
import scrapy
from scrapy.http import Request
from myfirstscrapy.items import MyfirstscrapyItem
class CnblogsSpider(scrapy.Spider):
name = "cnblogs"
allowed_domains = ["www.cnblogs.com"]
start_urls = ["https://www.cnblogs.com"]
def parse(self, response):
# response 就是爬取完后的对象
# print(response.text)
'使用css解析'
article_list = response.css('article.post-item')
for article in article_list:
title = article.css('a.post-item-title::text').extract_first()
# 取出所有后单独处理
desc = article.css('p.post-item-summary::text').extract()
real_desc = desc[0].replace('\n','').replace(' ','')
if not real_desc:
real_desc = desc[1].replace('\n', '').replace(' ', '')
# print(title)
# print(real_desc)
# 作者名字
author = article.css('footer.post-item-foot>a>span::text').extract_first()
# print(author)
# 头像
image_url = article.css('img.avatar::attr(src)').extract_first()
# print(image_url)
# 发布日期
data = article.css('span.post-meta-item>span::text').extract_first()
# print(data)
# 文章地址
url = article.css('a.post-item-title::attr(href)').extract_first()
# print('''
# 文章名：%s
# 文章摘要：%s
# 文章作者：%s
# 作者头像：%s
# 文章日期：%s
# 文章地址：%s
# '''%(title,real_desc,author,image_url,date,url))
# 解析出来的数据--放到item对象中,但是缺了文章详情
'第一个解析'
item=MyfirstscrapyItem(title=title,author=author,real_desc=real_desc,data=data,img_url=image_url,url=url)
# 放到Request对象中
# 1.保存数据
# 2.继续爬取---->下一页文章详情
yield Request(url=url,callback=self.parse_detail,meta={'item':item})
# 继续爬下一个
# yield Request(url=url, callback=self.parse_detail) # callback可以不写
# 解析下一页地址之css解析
# next_url = 'https://www.cnblogs.com'+response.css('div.pager a:last-child::attr(href)').extract_first()
# 解析下一页地址之xpath解析
next_url = 'https://www.cnblogs.com' + response.xpath('//div[@class="pager"]/a[last()]/@href').extract_first()
print(next_url)
yield Request(url=next_url, callback=self.parse)
def parse_detail(self,response):
# print(response.text)
# 解析文章详情，存html
# content=str(response.css('#cnblogs_post_body').extract_first())
'第二个解析'
item=response.meta.get('item')
content=str(response.xpath('//div[@id="cnblogs_post_body"]').extract_first())
item['content'] = content
# print(content)
yield item
3.配置文件中
ITEM_PIPELINES = {
"myfirstscrapy.pipelines.MyfirstscrapyFilePipeline": 300,
"myfirstscrapy.pipelines.MyfirstscrapyMysqlPipeline": 100,
}
4.pipelines.py
from itemadapter import ItemAdapter
class MyfirstscrapyFilePipeline:
# 每条记录，都会走这里，如果打开mysql和关闭，都在这个方法中得话
# 我们应该在爬虫开启的时候，打开mysql链接，爬虫关闭的时候，关闭链接
def open_spider(self, spider):
print('开了')
# 打开文件
self.f = open('cnblogs.txt', 'wt', encoding='utf-8')
# 先用文件演示
def process_item(self, item, spider):
self.f.write(item['title'] + '\n')
# print('=======', item['title'])
# self.f.flush()
return item
def close_spider(self,spider):
print('关了')
self.f.close()
import pymysql
class MyfirstscrapyMysqlPipeline:
def open_spider(self, spider):
self.conn=pymysql.connect(
user='root',
password="1234",
host='127.0.0.1',
database='cnblogs',
port=3306,
)
self.cursor=self.conn.cursor()
def process_item(self, item, spider):
self.cursor.execute('INSERT INTO article (title, author, real_desc, data, img_url, url, content)VALUES (%s,%s,%s,%s,%s,%s,%s)',
args=[item['title'],item['author'],item['real_desc'],item['data'],item['img_url'],item['url'],item['content']])
self.conn.commit()
return item
def close_spider(self, spider):
self.cursor.close()
self.conn.close()
六、爬虫中间件及下载中间件
Scrapy的所有中间件都写在Middlewares.py中 跟Djagno非常像做一些拦截
引擎和下载器之间的叫：
下载中间件。爬虫和引擎之间的叫：爬虫中间件
爬虫中间件
1 写一个类:middlewares.py
MyfirstscrapySpiderMiddleware
2 在配置文件中注册
SPIDER_MIDDLEWARES = {
"myfirstscrapy.middlewares.MyfirstscrapySpiderMiddleware": 543,
}
3 中间件类中得方法
class MyfirstscrapySpiderMiddleware:
# 内部自动触发，不需要我们手动调用
@classmethod
def from_crawler(cls, crawler):
s = cls()
# 信号
crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
return s
def process_spider_input(self, response, spider):
# 走架构图第6步，会触发这里
return None
def process_spider_output(self, response, result, spider):
# 架构图，第1,7步走这里
for i in result:
yield i
def process_spider_exception(self, response, exception, spider):
# 出异常会走
pass
def process_start_requests(self, start_requests, spider):
# 第一爬取起始地址时会走
for r in start_requests:
yield r
def spider_opened(self, spider):
# 爬虫开启时会走
spider.logger.info("Spider opened: %s" % spider.name)
下载中间件
1 写一个类:middlewares.py
MyfirstscrapyDownloaderMiddleware
2 在配置文件中注册
DOWNLOADER_MIDDLEWARES = {
"myfirstscrapy.middlewares.MyfirstscrapyDownloaderMiddleware": 543,
}
3 中间件类中得方法
class MyfirstscrapyDownloaderMiddleware:
# 自动会触发，不需要我们手动调用
@classmethod
def from_crawler(cls, crawler):
s = cls()
crawler.signals.connect(s.spider_opened, signal=signals.spider_opened)
return s
def process_request(self, request, spider):
# 请求来了--》执行它--》架构图 第 4 步
# 必须返回 return 以下之一:
# - return None: 继续下一个中间件
# - return a Response：直接返回给引擎 Response---》引擎把Response给爬虫
# - return a Request：直接把返回给引擎---》引擎会把Request给调度器--》等待下次调度
# - raise 异常: process_exception() 的执行
return None
def process_response(self, request, response, spider):
# 请求走了--》执行它---》架构图 第 5 步
# - return Response：正常继续往后走--》给引擎---》引擎给爬虫去解析
# - return a Request ：给引擎--》引擎放到调度器--》等待下次调度
# - raise IgnoreRequest：抛异常
return response
def process_exception(self, request, exception, spider):
# 执行中间件出异常
# Must either:
# - return None: continue processing this exception
# - return a Response object: stops process_exception() chain
# - return a Request object: stops process_exception() chain
pass
def spider_opened(self, spider):
spider.logger.info("Spider opened: %s" % spider.name)
4 重点是：
process_request
process_response
修改请求头的user-agent,referer，Authorization…
随机生成user-agent
# pip3 install fake-useragent
from fake_useragent import UserAgent
ua=UserAgent()
# print(ua.random)
# print(ua.firefox)
# print(ua.chrome)
print(ua.edge)
def process_request(self, request, spider):
# 修改请求头中得user-agent
print('-----',request.headers)
# if 'userinfo' in request.url: # 当访问查询用户信息地址，再改referer，改useragent，加登录信息
# 1 上次访问的域
request.headers['referer'] = 'http://www.lagou.com'
# 2 登录认证的信息
request.headers['Authorization']='asfasf.asfas.asfas'
# 3 客户端类型--》fake_useragent--》随机生成客户端类型 user-agent
from fake_useragent import UserAgent
ua = UserAgent()
# print(ua.random)
request.headers['User-Agent'] = ua.random
return None
加cookie
def process_request(self, request, spider):
print('-----',request.cookies)
# cnblogs-->cookie 文件
request.cookies['name'] = 'lqz'
return None
加代理（MyfirstscrapyDownloaderMiddleware）
def get_proxy(self):
import requests
res = requests.get('http://127.0.0.1:5010/get/').json()
if res.get('https'):
return 'https://' + res.get('proxy')
else:
return 'http://' + res.get('proxy')
def process_request(self, request, spider):
# request.meta['proxy'] = self.get_proxy()
request.meta['proxy'] = 'http://192.168.11.11:8888'
return None
七、scrapy集成selenium
scrapy 下载的内容，是不包含执行完js后的数据--》等同于requests发送请求
有的网站---》需要执行完js，数据才完整(分离项目)
对于前后端分离项目--》使用scrapy发送请求会导致数据不完整--》需要执行完js后才能解析数据
在scrapy中集成 selenium---》使用selenium去加载网页-->数据是执行完js后，完整的数据
使用步骤
1 在爬虫类中写 开启浏览器
class CnblogsSpider(scrapy.Spider):
###### 爬虫开启---》打开浏览器--->类属性--》对象可以取到
from selenium.webdriver.edge.service import Service
ser = Service()
ser.path = r'.\myfirstscrapy\chromedriver.exe'
bro = webdriver.Chrome(service=ser)
2 爬虫结束，关闭浏览器，爬虫类中写
## 爬虫结束---》关闭浏览器
def close(spider, reason):
# spider.bro.close()
spider.bro.quit()
3 在中间件中
def process_request(self, request, spider):
from scrapy.http.response.html import HtmlResponse
spider.bro.get(request.url)
response=HtmlResponse(url=request.url,body=spider.bro.page_source.encode('utf-8'))
return response
4 区分不同的地址，选择使用selenium或scrapy原生爬取
-1 通过 url区分
-2 通过在request对象的meta中加入标志
# 爬虫类中
yield Request(url=url, callback=self.parse_detail, meta={'item': item,'is_selenium':True})
#中间件中：
if request.meta.get('is_selenium'):
# 使用scrapy效率低
八、源码去重规则(布隆过滤器)
scrapy 的调度器，会自动去重。研究原理—》自己写去重规则
源码去重原理
要爬取的Request对象，在进入到scheduler调度器排队之前，先执行enqueue_request，
它如果return False，这个Request就丢弃掉，不爬了----》如何判断这个Request要不要丢弃掉，
执行了self.df.request_seen(request)，它来决定的-----》RFPDupeFilter类中的方法----》
request_seen---》会返回True或False----》如果这个request在集合中，说明爬过了，就return True，
如果不在集合中，就加入到集合中，然后返回False
# 本质原理，通过集合--》根据爬取的地址--》去重的
-爬取路径一样---》post--》请求体不一样---》不要去重
-如果使用默认去重规则---》这个不会提交多次---》只会提交一次--》有问题
源码分析--->scrapy.Spider
## 起始爬取的地址
# 1 类属性中写了起始位置： start_urls = ["https://www.cnblogs.com"]
# 2 爬虫运行时，会执行类中得start_requests
def start_requests(self) -> Iterable[Request]:
for url in self.start_urls:
yield Request(url, dont_filter=True)
######### 去重位置---from scrapy.core.scheduler import Scheduler
# 默认配置文件中有：
DUPEFILTER_CLASS = "scrapy.dupefilters.RFPDupeFilter"
class Scheduler:
# 在排队之前---》先执行enqueue_request--》完成去重
def enqueue_request(self, request: Request) -> bool:
# self 是调度器
#self.df 是去重类 RFPDupeFilter 的对象
# 调用RFPDupeFilter中得方法request_seen，会返回True或False
if self.df.request_seen(request): #返回True说明集合中有了
return False # 说明不再爬取了
dqok = self._dqpush(request)
return True
class RFPDupeFilter:
def request_seen(self, request: Request) -> bool:
# 16 进制字符串
fp = self.request_fingerprint(request)
#self.fingerprints 是 set() 集合
if fp in self.fingerprints:
return True # 如果在集合中，就返回True
# 加入到集合中，返回False
self.fingerprints.add(fp)
return False
def request_fingerprint(self, request: Request) -> str:
return self.fingerprinter.fingerprint(request).hex() # 16进制 字符串
# request_fingerprint 生成指纹
# 请求回来的数据是完全一致的---》如果仅仅使用地址区分-->他们不是一个
# 但是被request_fingerprint执行完后，它生成的16进制是一样的
-www.cnblogs.com/?name=lqz&age=19
-www.cnblogs.com/?age=19&name=lqz
# 总结：
1 去重是使用集合去重
-高级在（生成的指纹）：
-get请求，参数如果一样，就是一样的
-post请求，请求体不一样，就不一样
# 代码
from scrapy.utils.request import RequestFingerprinter
from scrapy.http import Request
f=RequestFingerprinter()
res1=Request(url='http://www.cnblogs.com/',method='POST',body='name=lqz&age=19')
res2=Request(url='http://www.cnblogs.com/',method='POST',body='name=lqz&age=20')
res1_hex=f.fingerprint(res1)
res2_hex=f.fingerprint(res2)
print(res2_hex)
print(res1_hex)
布隆过滤器
# https://zhuanlan.zhihu.com/p/94668361
布隆过滤器是什么？
bloomfilter：是一个通过多哈希函数映射到一张表的数据结构，能够快速的判断一个元素在一个集合内是否存在，具有很好的空间和时间效率。（典型例子，爬虫url去重）
布隆过滤器原理
原理： BloomFilter 会开辟一个m位的bitArray(位数组)，开始所有数据全部置 0 。当一个元素过来时，通过多个哈希函数（h1,h2,h3....）计算不同的在哈希值，并通过哈希值找到对应的bitArray下标处，将里面的值 0 置为 1
布隆过滤器可能存在误差
-误差大小：由数组长度和hash函数绝对的
-允许出现误差
python 字典的key值必须可以 hash
-不可变数据类型---》数字和字符串---》布尔，元组，对象
-元组可以作为字典key
使用布隆过滤器 安装：pip3 install pybloom_live
# 布隆过滤器---》可以自动扩容---》规定错误率
# from pybloom_live import ScalableBloomFilter
#
# bloom = ScalableBloomFilter(initial_capacity=100, error_rate=0.001, mode=ScalableBloomFilter.LARGE_SET_GROWTH)
#
# url = "www.cnblogs.com"
#
# url2 = "www.liuqingzheng.top"
#
# bloom.add(url)
#
# print(url in bloom)
#
# print(url2 in bloom)
布隆过滤器---》定长，不扩容
# BloomFilter 是定长的
from pybloom_live import BloomFilter
bf = BloomFilter(capacity=1000)
url = 'www.baidu.com'
bf.add(url)
print(url in bf)
print("www.liuqingzheng.top" in bf)
### redis可以实现布隆过滤器
## 布隆过滤器可以做什么？
1 爬虫去重
2 垃圾邮件过滤
3 黑白名单
4 布隆过滤器避免缓存击穿
自定义去重规则（通过布隆过滤器）
集合去重，随着数据量越来越大---》很占空间
sad 3个bytes
aaa 3个bytes
1个bytes就有8个格
00100000 00100000 00100000 00000000 00000000 00000000
使用布隆过滤器实现去重
from scrapy.dupefilters import BaseDupeFilter
from scrapy.utils.request import RequestFingerprinter
from pybloom_live import ScalableBloomFilter
class MyPDupeFilter(BaseDupeFilter):
fingerprints = ScalableBloomFilter(initial_capacity=100, error_rate=0.001,
mode=ScalableBloomFilter.LARGE_SET_GROWTH)
fingerprinter = RequestFingerprinter()
def request_seen(self, request):
print('zoule')
fp = self.request_fingerprint(request)
if fp in self.fingerprints:
return True
self.fingerprints.add(fp)
return False
def request_fingerprint(self, request) -> str:
return self.fingerprinter.fingerprint(request).hex()
写去重类
from scrapy.dupefilters import BaseDupeFilter
from scrapy.utils.request import RequestFingerprinter
from pybloom_live import ScalableBloomFilter
from scrapy.dupefilters import RFPDupeFilter
class MyPDupeFilter(BaseDupeFilter):
fingerprints = ScalableBloomFilter(initial_capacity=100, error_rate=0.001,
mode=ScalableBloomFilter.LARGE_SET_GROWTH)
fingerprinter = RequestFingerprinter()
def request_seen(self, request):
print('zoule--------------')
fp = self.request_fingerprint(request)
if fp in self.fingerprints:
return True
self.fingerprints.add(fp)
return False
def request_fingerprint(self, request) -> str:
return self.fingerprinter.fingerprint(request).hex()
配置文件
DUPEFILTER_CLASS = "myfirstscrapy.MyPDupeFilter.MyPDupeFilter"
九、分布式爬虫
第三方的scrapy-redis 帮助我们实现分布式爬虫
什么是分布式爬虫
10条数据要爬取
一台机器爬10条
3台机器爬10条数据
1 台1--3条
2 台4--7条
3 台8--10条
实现分布式爬虫的核心
#1、共享队列 schudler 多台机器共享同一个队列
#2、同一套去重规则
#### 使用步骤####
0 下载：pip3 install scrapy-redis
1 把之前爬虫类，继承class CnblogsSpider(RedisSpider):
2 去掉起始爬取的地址，加入一个类属性
redis_key = 'myspider:start_urls' # redis列表的key，后期我们需要手动插入起始地址
3 配置文件中配置
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # scrapy redis去重类，使用redis的集合去重
# 不使用原生的调度器了，使用scrapy_redis提供的调度器，它就是使用了redis的列表
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
REDIS_HOST = 'localhost' # 主机名
REDIS_PORT = 6379 # 端口
ITEM_PIPELINES = {
'mysfirstscrapy.pipelines.MyCnblogsMySqlPipeline': 301,
'scrapy_redis.pipelines.RedisPipeline': 400,
}
4 在不同多台机器上运行scrapy的爬虫，就实现了分布式爬虫：在一台机器上开启多个程序即可
5 写入到redis的列表中起始爬取的地址：列表key:myspider:start_urls
rpush myspider:start_urls https://www.cnblogs.com
执行报错
scrapy-redis（没有做好兼容）和scrapy(很新)的版本要对应
版本对应关系--》改scrapy-redis源码
扫一扫
62万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
