分布式爬虫

　　分布式爬虫，可以让很多台电脑都使用同一个的爬虫程序，将爬虫分发得到多台电脑上，这样可以提高爬虫的速度，也就是分布式爬虫。

　　分布式爬虫需要专门的模块scrapy-redis，原生的scrapy框架无法实现分布式爬取，原因在于：（1）scrapy框架中五大核心组件中的调度器只归属于该项目，无法实现被分布式集群共享；（2）scrapy框架中五大核心组件中的调度器管道只接受该项目的数据对象，无法实现被分布式集群共享。

　　

基于scrapy-redis组件的分布式爬虫

        scrapy-redis组件中已经封装好了可以被多台机器共享的调度器和管道，可以直接使用并实现分布式数据爬取。要想实现分布式，必须要有共享的调度器队列和共享管道爬（爬取的数据必须存储在redis中，因为是基于scrapy-redis模块，内置封装的方法）

　　　　实现方式有两种： （1）基于该组件的RedisSpider类；（2）基于该组件的RedisCrawlSpider类。

分布式爬取数据案例

　　东莞阳光网（http://wz.sun0769.com/index.php/question/report?page=）　

　　1.安装下载scrapy-redis模块

　　　　pip install scrapy-redis

　　2.创建爬虫项目（基于CrawlSpider来实现）

　　　　scrapy startproject fbsPro

　　　　 cd fbsPro

　　　　scrapy genspider -t crawl fbsTest www.xxx.com

　　3.修改爬虫文件　　

 1 import scrapy
 2 from scrapy.linkextractors import LinkExtractor
 3 from scrapy.spiders import CrawlSpider, Rule
 4 from fbsPro.items import FbsproItem
 5 from scrapy_redis.spiders import RedisCrawlSpider
 6 
 7 
 8 #分布式实现不需要依赖scrapy框架提供的起始url调度器和管道
 9 #(1)导入scrapy-redis模块封装好的类,将爬虫类的父类指定成RedisCrawlSpider
10 class FbstestSpider(RedisCrawlSpider):
11     name = 'fbsTest'
12     # allowed_domains = ['www.xxx.com']
13     # start_urls = ['http://www.xxx.com/']
14 
15     # 分布式爬虫的起始url是放在共享调度器队列中的
16     #(2)分布式实现要指定共享调度器队列
17     redis_key = 'fbsQueue'  # 可以被共享的调度器队列的名称
18 
19     #本案例采用CrawlSpider实现自动全站爬取
20     # Rule是规则解析器；
21     # LinkExtractor是连接提取器，提取符合allow规则的完整的url；
22     # callback指定当前规则解析器的回调解析函数；
23     # follow指定是否将链接提取器继续作用到链接提取器提取出的链接网页；
24     # follow不指定默认False;
25     rules = (
26         Rule(LinkExtractor(allow=r'page=\d+'), callback='parse_item', follow=True),
27     )
28 
29     def parse_item(self, response):
30         item = FbsproItem()
31         tr_list = response.xpath('//*[@id="morelist"]/div/table[2]/tbody/tr/td/table/tbody/tr')
32         for tr in tr_list:
33             item['identifier'] = tr.xpath('./td[1]/text()').extract_first()  # 解析编号
34             item['title'] = tr.xpath('/td[2]/a[2]/text()').extract_first()  # 解析标题
35             yield item

修改爬虫文件（继承类、共享调度器）

　　4.items.py字段属性定义

1 import scrapy
2 
3 
4 class FbsproItem(scrapy.Item):
5     identifier=scrapy.Field()
6     title=scrapy.Field()
7     pass

items.py

　　5.settings.py配置文件　　

USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"
ROBOTSTXT_OBEY = False
LOG_LEVEL="ERROR"

#(1) 指定管道（自动持久化存储）
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 400
}
#(2)指定调度器

# 增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
SCHEDULER_PERSIST = True
#(3)指定数据库
# REDIS_HOST = 'redis服务的ip地址'(注意不能是本机回环地址，此redis需要共用)
REDIS_HOST = '192.168.0.103'
REDIS_PORT = 6379

　　6.配置redis数据库

　　修改redis数据库配置文件：redis.windows.conf（windows）或者redis.conf（linux）　　

　　　　56行注释:#bind 127.0.0.1
　　　　关闭保护模式:protected-mode no

　　7.指定配置文件启动redis数据库服务

　　 redis-server ./redis.windows.conf

　　8.启动爬虫项目（可以在多台机器上运行实现分布式）

　　进入到爬虫文件对应的目录中:scrapy runspider fbsTest.py

　　9.启动redis客户端，向共享调度器队列放进其实url

　　redis-cli

　　lpush 　fbsQueue   http://wz.sun0769.com/index.php/question/report?page=     (向在爬虫文件中指定的)

 

转载于:https://www.cnblogs.com/open-yang/p/11343308.html