准备:
首先,希望学习这篇博文的人具有一定的爬虫知识,或者具备快速学习基础内容的能力,因为有些基础的爬虫知识和内容,需要你们自己加强和掌握,本文基于此基础上,对redis-scrapy框架进行一定的阐述。
环境:python 3.6,linux系统为ubantu
过程:
首先创建项目名称为winnumber,选择好项目的路径后,在终端下输入scrapy startproject winnumber。而后进入项目文件中的spiders文件夹中,创建爬虫文件,执行命令:scrapy genspider -t crawl winnum ‘kaijiang500.com’ 。其中winnum是爬虫文件的名称,后面的域名是我们要爬取彩票信息的网站。
创建好scrapy框架项目后,利用pycharm打开项目文件,会发现winnumber文件夹下有items.py、pipelines.py、settings.py等文件,以及sipders文件夹下的winnum.py爬虫文件。接下来按照顺序一一介绍其内容和作用。
首先是items.py文件,该文件显示了我们的项目需要爬取哪些信息,如双色球的七颗中奖红球 和蓝球。
class WinnumberItem(Item):
# define the fields for your item here like:
# name = scrapy.Field()
date1 = Field()
order1 = Field()
red1 = Field()
red2 = Field()
red3 = Field()
red4 = Field()
red5 = Field()
red6 = Field()
blue = Field()
money = Field()
firstPrize = Field()
secondPrize = Field()
然后完成爬虫文件winnum中的代码编辑,如下代码块中,将前两行代码注释掉,接着换成redis_key保存redis数据库中保存网页的键winnumspider:start_urls,即可实现分布式框架,将简单的scrapy框架改成scrapy-redis分布式框架。这里限于学习,用到的redis数据库可以是ubantu中的。一般的redis框架,是一个集群,将控制爬取的、存储爬取网站网址的队列放在主服务器端的redis数据库中,这里不再赘述。