大规模并发采集——分布式爬虫

当爬取内容过多，需要多机合作的时候，就需要用到分布式系统，这节课给大家讲解一下分布式爬虫的实现。

分布式系统

什么是分布式系统？

分布式系统就是把一些计算机通过网络连接起来，然后协同工作

协同工作需要解决两个问题：

• 任务分解 
  把一个问题拆解成若干个独立任务，每个任务在一台节点上运行，实现多任务的并发执行

• 节点通信 
  节点之间互相通信，需要设计特定的通信协议来实现。协议可以采用RPC或Message Queue等方式

分布式爬虫系统

scrapy_redis

• scrapy-redis是为了更方便地实现scrapy分布式爬取，而提供了一些以redis数据库为基础的组件
• scrapy-redis提供了维持待爬取url的去重以及储存requests的指纹验证。原理是：redis维持一个共同的url队列，各个不同机器上的爬虫程序获取到的url都保存在redis的url队列，各个爬虫都从redis的url队列获取url，并把数据统一保存在同一个数据库里面
• 本课主要讲授基于scrapy_redis的分布式爬虫

消息队列

• MQ全称为Message Queue, 是一种分布式应用程序的的通信方法，消息发送后可以立即返回，由消息系统来确保消息的可靠传递
• 它是消费-生产者模型的一个典型的代表，producer往消息队列中不断写入消息，而另一端consumer则可以读取或者订阅队列中的消息
• 消息生产者只管把消息发布到 MQ 中而不用管谁来取，消息消费者只管从 MQ 中取消息而不管是谁发布的

RabbitMQ

• RabbitMQ是MQ产品的典型代表，是一款基于AMQP协议可复用的企业消息系统。业务上，可以实现服务提供者和消费者之间的数据解耦，提供高可用性的消息传输机制，在实际生产中应用相当广泛

scrapy_rabbitmq分布式

• Scrapy-rabbitmq-link 是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件

celery初步

• Celery 用消息通信，通常使用中间人（Broker）在客户端和程序间斡旋。这个过程从客户端向队列添加消息开始，之后中间人把消息派送给程序

scrapy_redis分布式

什么是Redis数据库？

Redis是一个使用ANSI C编写的开源、支持网络、基于内存、可选持久性的键值对存储数据库

安装Redis数据库及scrapy_redis：

Windows系统安装：

1. 下载Redis压缩包： 
   前往：https://github.com/MicrosoftArchive/redis/releases 
   或者前往网盘链接：http://pan.baidu.com/s/1i5f9xSL 密码：t5bo 
   下载Redis-x64-3.2.100.zip，并将其解压缩

2. 安装Redis： 
   打开cmd，切换到解压的文件夹下执行命令

redis-server –service-install redis.windows.conf –loglevel verbose

3. 启动Redis服务： 
   在解压的文件夹下执行命令

redis-server –service-start

4. 安装scrapy_redis 
   启动cmd，使用pip安装scrapy_redis

pip install scrapy_redis

Mac OS系统安装：

1. 下载Redis压缩包： 
   打开终端（Terminal），使用curl命令下载压缩包（注意：curl -后面是大写字母O，不是数字0），并解压

curl -O http://download.redis.io/releases/redis-4.0.2.tar.gz 
tar xzf redis-4.0.2.tar.gz

2. 安装Redis： 
   切换到redis-4.0.2目录下面，安装Redis：

cd redis-4.0.2 
make

3. 启动Redis服务： 
   启动文件在src目录下

src/redis-server

4. 安装scrapy_redis 
   打开Terminal，使用pip安装scrapy_redis（或者可以在PyCharm里安装）

pip install scrapy_redis

Scrapy_redis设置

在项目中进行如下的设置：

更改去重对列：必有项

SCHEDULER = “scrapy_redis.scheduler.Scheduler”

利用Redis去重：必有项

DUPEFILTER_CLASS = “scrapy_redis.dupefilter.RFPDupeFilter”

序列化方案

SCHEDULER_SERIALIZER = “scrapy_redis.picklecompat”

故障重跑

SCHEDULER_PERSIST = True

URL队列优先级

SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.PriorityQueue’

把item储存进Redis管道

ITEM_PIPELINES = { 
‘scrapy_redis.pipelines.RedisPipeline’: 300 
}

队列名字

REDIS_ITEMS_KEY = ‘%(spider)s:items’

配置连接

REDIS_HOST = ‘localhost’ 
REDIS_PORT = 6379 
#或者 
REDIS_URL = ‘redis://user:pass@hostname:9001’

实例化一个Redis对象

REDIS_PARAMS[‘redis_cls’] = ‘myproject.RedisClient’

设置set格式（不允许重复的元素）

REDIS_START_URLS_AS_SET = False

键值对中键值命名规则

REDIS_START_URLS_KEY = ‘%(name)s:start_urls’

编码方式

REDIS_ENCODING = ‘latin1’

启动scrapy_redis

1. 运行爬虫：

scrapy crawl 爬虫名

2. 启动：（注意：启动的时候应该先切换到redis安装目录下）

Windows系统：

url选用的是list类型：

• redis-cli lpush myspider:start_urls http://google.com

url选用的是set类型：

• redis-cli sadd myspider:start_urls http://google.com

Mac OS系统：（注意：在Terminal下启动Redis后，应该新建一个Terminal窗口，并且切换到redis安装目录下）

url选用的是list类型：

• src/redis-cli lpush myspider:start_urls http://google.com

url选用的是set类型：

• src/redis-cli sadd myspider:start_urls http://google.com

案例演示

我们这次用的依然是上节课的city58的案例，只是修改了settings.py和city58_test.py两个文件。 
city58_test.py：实现翻页爬取

# -*- coding: utf-8 -*-

import scrapy

from pyquery import PyQuery

from ..items import City58Item

from scrapy.http import Request

from scrapy_redis.spiders import RedisSpider

class City58TestSpider(RedisSpider):

name = 'city58_test'

allowed_domains = [ '58.com']

start_urls = [ 'http://bj.58.com/chuzu/']

def parse(self, response):

jpy = PyQuery(response.text)

li_list = jpy( 'body > div.mainbox > div.main > div.content > div.listBox > ul > li').items()

for it in li_list:

a_tag = it( 'div.des > h2 > a')

item = City58Item()

item[ 'name'] = a_tag.text()

item[ 'url'] = (a_tag.attr( 'href') if a_tag.attr( 'href') else '')

item[ 'price'] = it( 'div.listliright > div.money > b').text()

yield item

if not li_list:

return

pn = response.meta.get( 'pn', 1) #得到meta中pn的数值，如果没有，就默认为1

pn += 1

#response.meta['pn'] = p

if pn > 5

return

#把相对路径转化为绝对路径，并request访问

req = response.follow( '/chuzu/pn{}/'.format(pn), #拼接相对路径

callback = self.parse,

meta = { 'pn':pn} #使用meta参数进行传值

)

yield req

settings.py：

SCHEDULER = "scrapy_redis.scheduler.Scheduler" #必有项：更改去重对列

# Ensure all spiders share same duplicates filter through redis.

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" #必有项：利用Redis去重

#SCHEDULER_PERSIST = True #故障重跑

REDIS_URL = 'redis://localhost:6379' #配置连接

#REDIS_START_URLS_AS_SET = False #设置set格式（不允许重复的元素）

运行时要记得在队列中塞入start_urls

Windows系统： 
redis-cli lpush city58_test:start_urls http://bj.58.com

Mac OS系统： 
src/redis-cli lpush city58_test:start_urls http://bj.58.com

redis desktop manager软件安装及使用

1. Windows系统安装包下载 
   前往网盘链接：http://pan.baidu.com/s/1gfpgQxt 密码：iz9u 
   MacOS系统安装包下载 
   前往网盘链接：http://pan.baidu.com/s/1pKO2kX1 密码：wfkw 
   
   
2. 根据提示进行安装 
   只需要执行默认安装便可 
   
   
3. 打开软件，点击connect to redis server 
   
   
4. 输入数据库名字，以及host和端口 
   数据库名字test，host为127.0.0.1（本机），默认端口为6379 
   
   
5. 打开数据库，就可以看到数据了

其他的分布式系统知识介绍

本节课介绍了基于scrapy-redis的分布式系统，用于分布式爬虫URL队列的存储和去重队列的存储。当然，对于更大型的爬虫系统，或者对于非scrapy框架的爬虫，可以选择其它的方案替代scrapy和scrapy-redis，比如可以使用RabbitMQ消息队列代替Redis。以下的内容，提供了更多关于分布式爬虫的知识和方案

消息队列

MQ全称为Message Queue, 是一种分布式应用程序的的通信方法，它是消费-生产者模型的一个典型的代表，producer往消息队列中不断写入消息，而另一端consumer则可以读取或者订阅队列中的消息

爬虫之消息队列

在构建一个松耦合或是异步的系统时，消息队列是最常用的方法。在爬虫中使用消息队列有哪些好处呢？

• 通过消息队列实现线程安全的去重
• 多进程消费爬虫任务队列
• 确保每一条任务都执行

RabbitMQ消息队列

RabbitMQ 是一种消息队列，用于程序间的通信 
形象地说 : MQ就像一个邮局，发送者将消息写入 MQ，MQ 负责把消息发送给接收者。RabbitMQ 可支持 Java, PHP, Python, Go, JavaScript, Ruby 等多种语言

注意：RabbitMQ的使用需要事先安装 


Scrapy-rabbitmq-link的安装和配置

Scrapy-rabbitmq-link 是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件

安装：

pip install scrapy-rabbitmq-link

配置：

# Enable RabbitMQ scheduler

SCHEDULER = "scrapy_rabbitmq_link.scheduler.SaaS"

# Provide AMQP connection string

RABBITMQ_CONNECTION_PARAMETERS = 'amqp://guest:guest@localhost:5672/'

# Set response status codes to requeue messages on

SCHEDULER_REQUEUE_ON_STATUS = [ 500]

# Middleware acks RabbitMQ message on success

DOWNLOADER_MIDDLEWARES = {

'scrapy_rabbitmq_link.middleware.RabbitMQMiddleware': 999

}

Celery - 分布式任务队列

Celery 是一个简单、灵活且可靠的，处理大量消息的分布式系统，并且提供维护这样一个系统的必需工具

它是一个专注于实时处理的任务队列，同时也支持任务调度

Celery 需要一个发送和接受消息的传输者。Celery 支持 RabbitMQ、Redis 甚至其他数据库系统作为其消息代理中间件，但也提供大量其他实验性方案的支持

Celery 好处也很多，尤其在使用python构建的应用系统中，无缝衔接，使用相当方便

celery的应用场景

• 处理异步任务
• 任务调度
• 处理定时任务
• 分布式调度

安装Celery

pip install celery

配置Celery

from celery import Celery

app = Celery( 'hello', broker= 'amqp://guest@localhost//') #配置rabbitMQ

@app.task #装饰器

def hello():

return 'hello world'