python 爬虫之scrapy分布式

一、爬虫分布式原理：

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)，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

好处

程序移植性强，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

0、分布式爬虫的实现：

1. 使用三台机器，一台是win10，两台是centos，分别在两台机器上部署scrapy来进行分布式抓取一个网站

2. win10的ip地址，用来作为redis的master端，centos的机器作为slave

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

master节点环境搭配：

redis 的配置 参考：window 中redis 的配置和开启_宠乖仪的博客-CSDN博客

 

 slave 节点环境配置：

1、搭建python环境

​​​​​​​参考：linux 安装python 坏境_宠乖仪的博客-CSDN博客

2、安装scrapy

pip install scrapy

二、scrapy-redis框架的安装

scrapy-redis参考：GitHub - rmax/scrapy-redis: Redis-based components for Scrapy.

pip install scrapy-redis

1、方法一

settings.py

# 指纹  作用：redis数据库中url去重类
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 调度器  启用Redis调度存储请求队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 不清除Redis队列、这样可以暂停/恢复  继续 爬取
SCHEDULER_PERSIST = True

ITEM_PIPELINES = {
    # 把数据 放在redis里面
    'scrapy_redis.pipelines.RedisPipeline': 300
}



REDIS_HOST = 'localhost' #master IP            

REDIS_PORT = 6379

2、方法二

spider.py

from scrapy_redis.spiders import RedisSpider
import scrapy
class LianjiaSpider(RedisSpider):
    name = 'lianjia'
    allowed_domains = ['lianjia.com']
    page = 2
    # start_urls = ['https://sh.lianjia.com/ershoufang/pg1/']
    # myscrawl 自己随便定义
    redis_key ='myscrawl:start_urls'

    # # 优先获取列表
    # def start_requests(self):
    #     for i in range(1,101):
    #         yield scrapy.Request('https://sh.lianjia.com/ershoufang/pg{i}/')

    def parse(self, response):
        url_list=response.xpath('//div[@class="info clear"]/div[@class="title"]/a/@href').getall()
        for url  in url_list:
            yield scrapy.Request(url,callback=self.parse_info)
        if self.page <101:
            yield scrapy.Request(f'https://sh.lianjia.com/ershoufang/pg{self.page}/')

    def parse_info(self, response):
        title = response.xpath('//div[@class="communityName"]/a[1]/text()').get()
        action = response.xpath('string(//div[@class="areaName"]/span[@class="info"])').get()
        momey = response.xpath('//div[@class="price"]/span').get()
        yield {
            'title':title,
            'action':action,
            'momey':momey
        }

3、方法三

scrapy genspider -t crawl name  allow_domains

spider.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_redis.spiders import RedisCrawlSpider

class XsSpider(RedisCrawlSpider):
    name = 'xs'
    allowed_domains = ['biquge5200.net']
    start_urls = ['http://www.biquge5200.net/0_111/75039.html']

    rules = (
        Rule(LinkExtractor(restrict_xpaths=r'//div[@class="bottem1"]/a[4]'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        title= response.xpath('//div[@class="bookname"]/h1/text()').get()
        content = response.xpath('string(//div[@id="content"])').get()
        yield {
            'title':title,
            'content':content
        }

4、方式二和方法三程序运行

scrapy crawl name

# 这个命令是在redis-cli中运行
# redis_key 是 spider.py文件中的redis_key的值
# url 开始爬取地址，不加双引号


lpush (redis_key)  url #括号不用写

5、redis的数据导给monogo

数据库与数据库之间的交互_宠乖仪的博客-CSDN博客