scrapy_redis实现增量式爬虫

目标

1. 了解scarpy_redis的概念和功能
2. 了解scrapy_redis的实现流程
3. 掌握scrapy_redis增量式爬虫的实现方法

1 scrapy_redis是什么

Scrapy_redis ： Redis-based components for Scrapy.

Github地址：https://github.com/rmax/scrapy-redis

在这个地址中存在三个demo，后续我们对scrapy_redis的学习会通过这三个demo展开

2 为什么要学习scrapy_redis

Scrapy_redis在scrapy的基础上实现了更多，更强大的功能，具体体现在：

• 请求对象的持久化
• 去重的持久化
• 和实现分布式

3 scrapy_redis的原理分析

3.1 回顾scrapy的流程

那么，在这个基础上，如果需要实现分布式，即多台服务器同时完成一个爬虫，需要怎么做呢？

3.2 scrapy_redis的流程

• 在scrapy_redis中，所有的带抓取的对象和去重的指纹都存在所有的服务器公用的redis中

• 所有的服务器公用一个redis中的request对象

• 所有的request对象存入redis前，都会在同一个redis中进行判断，之前是否已经存入过

• 在默认情况下所有的数据会保存在redis中

具体流程如下：

4 对于redis的复习

4.1 redis是什么

redis是一个开源的内存型数据库，支持多种数据类型和结构，比如列表、集合、有序集合等

4.2 redis服务端和客户端的启动

• /etc/init.d/redis-server start 启动服务端
• redis-cli -h <hostname> -p <端口号> 客户端启动

4.3 redis中的常见命令

1. select 1 切换db
2. keys * 查看所有的键
3. tyep 键 查看键的类型
4. flushdb 清空db
5. flushall 清空数据库

4.4 redis命令的复习

redis的命令很多，这里我们简单复习后续会使用的命令

5 scrapy_redis domz爬虫 分析

5.1 拷贝源码中的demo文件

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

2、研究项目自带的三个demo mv scrapy-redis/example-project ~/scrapyredis-project

5.2 观察dmoz文件

在domz爬虫文件中，实现方式就是之前的crawlspider类型的爬虫

from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule


class DmozSpider(CrawlSpider):
    """Follow categories and extract links."""
    name = 'dmoz'
    allowed_domains = ['dmoztools.net']
    start_urls = ['http://dmoztools.net/']

    # 定义数据提取规则，使用了css选择器
    rules = [
        Rule(LinkExtractor(
            restrict_css=('.top-cat', '.sub-cat', '.cat-item')
        ), callback='parse_directory', follow=True),
    ]

    def parse_directory(self, response):
        for div in response.css('.title-and-desc'):
            yield {
                'name': div.css('.site-title::text').extract_first(),
                'description': div.css('.site-descr::text').extract_first().strip(),
                'link': div.css('a::attr(href)').extract_first(),
            }

但是在settings.py中多了一下几行,这几行表示scrapy_redis中重新实现的了去重的类，以及调度器，并且使用的RedisPipeline

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True

ITEM_PIPELINES = {
    'example.pipelines.ExamplePipeline': 300,
    'scrapy_redis.pipelines.RedisPipeline': 400,
}

5.3 运行dmoz爬虫，观察现象

1. 首先我们需要添加redis的地址，程序才能够使用redis

    REDIS_URL = "redis://127.0.0.1:6379"
    #或者使用下面的方式
    # REDIS_HOST = "127.0.0.1"
    # REDIS_PORT = 6379
   

2. 我们执行domz的爬虫，会发现redis中多了一下三个键：

   

3. 继续执行程序

   继续执行程序，会发现程序在前一次的基础之上继续往后执行，所以domz爬虫是一个基于url地址的增量式的爬虫

6. scrapy_redis的原理分析

我们从settings.py中的三个配置来进行分析 分别是：

• RedisPipeline
• RFPDupeFilter
• Scheduler

6.1 Scrapy_redis之RedisPipeline

RedisPipeline中观察process_item，进行数据的保存，存入了redis中

6.2 Scrapy_redis之RFPDupeFilter

RFPDupeFilter 实现了对request对象的加密

6.3 Scrapy_redis之Scheduler

scrapy_redis调度器的实现了决定什么时候把request对象加入带抓取的队列，同时把请求过的request对象过滤掉

由此可以总结出request对象入队的条件

• request之前没有见过
• request的dont_filter为True，即不过滤
• start_urls中的url地址会入队，因为他们默认是不过滤

7. 动手

• 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
• url：https://book.jd.com/booksort.html

思路分析：

1. 确定数据抓取的入口

   数据都在dl下的dt和dd中，其中dt是大分类的标签，dd是小分类的标签

   对应的思路可以使选择所有的大分类后，选择他下一个兄弟节点即可

   xpath中下一个兄弟节点的语法是following-sibling::*[1]

   

2. 确定列表页的url地址和程序终止的条件

   有下一页

   

   没有下一页

   

3. 确定数据的位置

   数据大部分都在url地址的响应中，但是价格不在

   

   通过search all file的方法，找到价格的地址，

   

   对url地址进行删除无用的参数和url解码之后，获取到价格的url为

   https://p.3.cn/prices/mgets?skuIds=J_11635586613

   其中skuId为商品的id，能够在网页中获取

4. 使用scrapy的思路完成爬虫，在settings中添加上scrapy_redis的配置