Python爬虫理论 | (9) Scrapy分布式爬虫

目录

 

1. 分布式爬虫原理

2. Scrapy-redis

3. 分布式环境搭建

4. 实战

---

1. 分布式爬虫原理

分布式爬虫是将多台主机组合起来，共同完成一个爬取任务。

Scrapy单机爬虫中有一个本地爬取队列Queue。如果新的Request生成就会放到Queue里面，随后Request被Scheduler调度。之后，Request交给Downloader执行爬取。

• 单机爬虫：一个Scheduler

•  分布式爬虫：多个Scheduler

维护爬取队列queue：在多台主机上同时运行爬虫任务协同爬取的前提就是共享爬取队列。各台主机不需要各自维护爬取队列，而是从共享爬取队列存取Request。但是各台主机还是有各自的Scheduler和Downloader，所以调度和下载功能分别完成。维护爬取队列首先考虑性能问题，采用基于内存存储的Redis，支持多种数据结构，例如列表（List）、集合（Set）、有序集合（Sorted Set）等，存取的操作也非常简单。

•  去重

Scrapy有自动去重功能，它的去重使用了Python中的集合。这个集合记录了Scrapy中每个Request的指纹，所谓指纹实际上就是Request的散列值。

request_fingerprint()就是计算Request指纹的方法，其方法内部使用的是hashlib的sha1()方法。计算的字段包括Request的Method、URL、Body、Headers这几部分内容，只要这些有一点不同，则计算结果就不同。计算得到的结果是加密后的字符串，也就是指纹。每个Request都有独有的指纹，指纹就是一个字符串，判定字符串是否重复比判定Request对象是否重复容易得多，所以指纹可以作为判定Request是否重复的依据。 

对于分布式爬虫来说，要实现去重，指纹集合也需要是共享的，可以利用Redis的集合作为指纹集合。每台主机新生成Request之后，把该Request的指纹与集合比对，如果指纹已经存在，说明该Request是重复的，否则将Request的指纹加入到这个集合中即可。

• 防止中断

单机：

在Scrapy中，爬虫运行时的Request队列放在内存中。爬虫运行中断后，这个队列的空间就被释放，此队列就被销毁了。所以一旦爬虫运行中断，爬虫再次运行就相当于全新的爬取过程。

要做到中断后若想继续爬取，可以将队列中的Request保存到本地，下次爬取直接读取保存的数据即可获取上次爬取的队列。在Scrapy中指定一个爬取队列的存储路径，这个路径使用JOB_DIR变量来标识，可以用如下命令来实现：

crapy crawl spider -s JOB_DIR=crawls/spider

分布式：

在分布式架构中由于爬取队列是用数据库保存的，如果爬虫中断了，数据库中的Request依然是存在的，下次启动就会接着上次中断的地方继续爬取。

所以，当Redis的队列为空时，爬虫会重新爬取；当Redis的队列不为空时，爬虫便会接着上次中断之处继续爬取。

2. Scrapy-redis

scrapy-redis 库已经提供了scrapy 分布式的队列、调度器、去重等功能。

GitHub地址：https://github.com/rmax/scrapy-redis

3. 分布式环境搭建

需要一个远程Linux服务器，在服务器上用redis数据库维护共享request队列和指纹集合，各个主机共同访问，在各自机器上运行爬虫程序，将爬取的数据都存到远程服务器的mongodb数据库中。

• 服务器端

1）远程服务器（Linux）

2）安装、配置redis

3）安装、配置mongodb

4）安装Python环境等

• 客户机

1）连接远程服务器的redis数据库

2）连接远程服务器的mongodb数据库

3）安装Python环境，爬虫程序需要的各种库、配置等

 

• 远程服务器

要实现分布式部署，多台主机需要共享爬取队列和去重集合，而这两部分内容都存于Redis 数据库中，需要搭建一个可公网访问的Redis 服务器。

推荐使用Linux 服务器，可以购买阿里云、腾讯云、Azure 等提供的云主机， 一般都会配有公网IP 。

腾讯云服务器

• 安装、配置redis

安装：

推荐安装宝塔面板——Linux服务器管理软件（http://www.bt.cn/），他会使我们在服务器上的操作变得简单。

登录CentOS服务器，执行以下命令，安装宝塔面板：

yum install -y wget && wget -O install.sh http://download.bt.cn/install/install_6.0.sh && sh install.sh

安装完成后会出现一个网址 以及用户名和密码，登录该网址，并输入用户名和密码。

 在首页/软件商店搜索redis，安装即可。

配置：

点击设置按钮：

在宝塔界面的配置文件(该文件在服务器伤的路径为/www/server/redis/redis.conf)中可以自行修改保存 。服务选项中可以进行重启。修改内容如下

确保可以远程连接：

1）注释 bind 127.0.0.1

2）修改 protected-mode no

设置密码：取消注释 requirepass foobared，foobared 即当前密码，可以自行修改。

重启 redis 服务

在本地测试远程连接服务器：

通过可视化工具rdm连接并查看，远程redis数据库：

1）在Connection中 Host输入本机ip 127.0.0.1 Auth为之前设置的redis密码。

 2）在SSH Tunnel中输入远程服务器的ip、端口、密码、用户名：

 3）连接成功

• 安装、配置mongodb

安装：

打开宝塔界面， 在首页/软件商店搜索mongodb，安装即可。

配置：

1) 修改配置文件(/www/server/mongodb/config.conf).

找到bindIP将其改成0.0.0.0

修改 authorization: enabled

2) 重启MongoDB

3) 更改防火墙设置

开启27017端口来实现远程访问MongoDB：firewall-cmd --add-port=27017/tcp

4) 添加用户：

切换admin  use admin

添加超级用户 db.createUser({user:'root',pwd:'123456',roles:['root']})

 MongoDB连接字符串：mongodb://[username:password@]host[:port]

• 安装Python环境

建议安装Anaconda集成环境：Linux服务器安装Anaconda

 

4. 实战

分布式爬取新浪新闻。