Scrapy_redis+scrapyd搭建分布式架构爬取知乎用户信息

相关背景：前几天写了个用scrapy爬取知乎用户信息的爬虫（http://blog.csdn.net/qq_40717846/article/details/78950519），今天结合这个爬虫，写一个利用scrapy-redis+scrapyd构建分布式爬取知乎用户信息的爬虫。

相关准备：

win10操作系统，腾讯云服务器，redis，redis dedktop manager,Mongodb
1.在项目开始之前，请确保win10以及服务器都安装了redis以及mongodb,并且以win10为主机，win10的redis能够远程连接服务器的redis。
win 10安装Redis:https://github.com/rgl/redis/downloads
centos 安装Redis:直接运行命令：

yum install redis -y

即可，安装完成后默认启动redis服务器。
2.安装完成之后都需要把redis.conf文件中的bind 127.0.0.1注释掉

修改后，重启redis服务器
systemctl restart redis

3.centos中的redis需要设置密码，用于win10的redis desktop远程连接：

4.用Redis Desktop Manager连接Redis(CentOS):

可参考：https://www.cnblogs.com/h-change/p/6077874.html

分布式原理：

scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为master，而把用于跑爬虫程序的机器称为slave。

我们知 道，采用scrapy框架抓取网页，我们需要首先给定它一些start_urls，爬虫首先访问start_urls里面的url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个starts_urls里面做文章就行了。

我们在master上搭建一个redis数据库（注意这个数据库只用作url的存储，不关心爬取的具体数据，不要和后面的mongodb或者mysql混淆），并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是，尽管有多个slave，然而大家获取url的地方只有一个，那就是服务器master上的redis数据库。

并且，由于scrapy-redis自身的队列机制，slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结果汇总到服务器上（这时的数据存储不再在是redis，而是mongodb或者 mysql等存放具体内容的数据库了）

这种方法的还有好处就是程序移植性强，只要处理好路径问题，把slave上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情。

分析思路：

1.使用两台机器，一台是win10，一台是centos7的服务器，分别在两台机器上部署scrapy来进行分布式抓取一个网站.
2.centos7的ip地址为139.199.57.248，用来作为redis的slave端，win10的机器作为master.
3.master的爬虫运行时会把提取到的url封装成request放到redis中的数据库：“dmoz:requests”，并且从该数据库中提取request后下载网页，再把网页的内容存放到redis的另一个数据库中“dmoz:items”.
4.slave从master的redis中取出待抓取的request，下载完网页之后就把网页的内容发送回master的redis.
5.重复上面的3和4，直到master的redis中的“dmoz:requests”数据库为空，再把master的redis中的“dmoz:items”数据库写入到mongodb中.
6.master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹（使用哈希函数将url运算后的结果），是防止重复抓取的.

实现步骤：

1.先从Github上把前几天写的代码，clone到本地：

git clone https://github.com/dik111/Zhihu.git

2.新建分支，以便不影响之前的代码：

git checkout -b distributed#新建分支
git branch#切换到分支

3.修改setting.py文件：

SCHEDULER = "scrapy_redis.scheduler.Scheduler"#修改调度器
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"#用于去重的class
 'scrapy_redis.pipelines.RedisPipeline': 301#爬取结果存储到Redis
REDIS_URL = 'redis://root:123456@139.199.57.248:6379'

执行爬虫程序，可以看到Redis中多了zhihu这个文件

其中zhihu:dupefilter就是上文所说的用来存储抓取过的url的指纹（使用哈希函数将url运算后的结果），是防止重复抓取的。

4.把分支代码更新到Github：

git status
git add -A
git commit -m "add distributed"
git push origin distributed

5.把代码部署到服务器：
5.1首先打开mongodb的配置文件mongodb.conf，把blind1270.0.1注释掉，以便远程连接mongodb。
5.2在linux系统下创建新的文件夹，并且把项目clone下来。

sudo git clone https://github.com/Germey/Zhihu.git -b distributed

6.运行爬虫程序

scrapy crawl zhihu

到这里一个简单的分布式框架已经搭建完成啦！

7.因为已经远程连接了mongodb，因此主机上面的redis已经不需要把从机的数据远程过来了，所以把之前的redis pipelines注释掉

#'scrapy_redis.pipelines.RedisPipeline': 301

相关进阶

在上面的例子中，我们是用git来更新部署代码的，但是当主机非常多的时候，这样的操作显示有点繁琐，因此，在这里我推荐使用scrapyd来进行分布式的部署。

1.安装scrapyd：

pip install scrapyd

2.启动scrapyd，并且访问远程端口：

3.修改scrapy.cfg文件：

url = http://http://127.0.0.1:6800/addversion.json
project = zhihuuser

4.安装scrapyd_client
5.启动：scrapyd-deploy

更多相关的用法请到：http://scrapyd.readthedocs.io/en/stable/