Python爬虫学习记录——17.分布式爬虫

分布式系统

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，这节博客讲解一下分布式爬虫的实现。

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
  • 本节博客主要讲授基于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_redi：
这里仅介绍Windows系统下的安装

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
   

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）

   • url选用的是list类型：

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

   2. url选用的是set类型：

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

实战

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。

1. 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
   

2. 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）
   

3. 运行时要记得在队列中塞入start_urls

   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

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

本篇博客介绍了基于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

  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'