python分布式爬虫去重_python分布式爬虫 Cool·

一 介绍

原来scrapy的Scheduler维护的是本机的任务队列(存放Request对象及其回调函数等信息)+本机的去重队列(存放访问过的url地址)

所以实现分布式爬取的关键就是，找一台专门的主机上运行一个共享的队列比如Redis，

然后重写Scrapy的Scheduler，让新的Scheduler到共享队列存取Request，并且去除重复的Request请求，所以总结下来，实现分布式的关键就是三点：

#1、共享队列#2、重写Scheduler，让其无论是去重还是任务都去访问共享队列#3、为Scheduler定制去重规则(利用redis的集合类型)

以上三点便是scrapy-redis组件的核心功能

#安装：

pip3 install scrapy-redis

#源码：

D:python3.6Libsite-packagesscrapy_redis

二、scrapy-redis组件

1、只使用scrapy-redis的去重功能

#一、源码：D:python3.6Libsite-packagesscrapy_redisdupefilter.py

#二、配置scrapy使用redis提供的共享去重队列

#2.1 在settings.py中配置链接Redis

REDIS_HOST = 'localhost' #主机名

REDIS_PORT = 6379 #端口

REDIS_URL = 'redis://user:pass@hostname:9001' #连接URL(优先于以上配置)

REDIS_PARAMS = {} #Redis连接参数

REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' #指定连接Redis的Python模块

REDIS_ENCODING = "utf-8" #redis编码类型 #默认配置：D:python3.6Libsite-packagesscrapy_redisdefaults.py

#2.2 让scrapy使用共享的去重队列

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

#使用scrapy-redis提供的去重功能，查看源码会发现是基于Redis的集合实现的

#2.3、需要指定Redis中集合的key名，key=存放不重复Request字符串的集合

DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'

#源码：dupefilter.py内一行代码key = defaults.DUPEFILTER_KEY % {'timestamp': int(time.time())}

#2.4、去重规则源码分析dupefilter.py

defrequest_seen(self, request):

"""Returns True if request was already seen.

Parameters

----------

request : scrapy.http.Request

Returns

-------

bool

"""fp =self.request_fingerprint(request)

#This returns the number of values added, zero if already exists.

added =self.server.sadd(self.key, fp)

return added ==0

#2.5、将request请求转成一串字符后再存入集合

from scrapy.http importRequest

from scrapy.utils.request importrequest_fingerprint

req = Request(url='http://www.baidu.com')

result=request_fingerprint(req)

print(result) #75d6587d87b3f4f3aa574b33dbd69ceeb9eafe7b

#2.6、注意：

-URL参数位置不同时，计算结果一致；

-默认请求头不在计算范围，include_headers可以设置指定请求头

-示范：

from scrapy.utils importrequest

from scrapy.http importRequest

req = Request(url='http://www.baidu.com?name=8&id=1',callback=lambda x:print(x),cookies={'k1':'vvvvv'})

result1 = request.request_fingerprint(req,include_headers=['cookies',])

print(result)

req = Request(url='http://www.baidu.com?id=1&name=8',callback=lambda x:print(x),cookies={'k1':666})

result2 = request.request_fingerprint(req,include_headers=['cookies',])

print(result1 == result2) #True

使用共享去重队列+源码分析

2、使用scrapy-redis的去重+调度实现分布式爬取

#1、源码：D:python3.6Libsite-packagesscrapy_redisscheduler.py

#2、settings.py配置

#Enables scheduling storing requests queue in redis.

SCHEDULER = "scrapy_redis.scheduler.Scheduler"

#调度器将不重复的任务用pickle序列化后放入共享任务队列，默认使用优先级队列(默认)，其他：PriorityQueue(有序集合)，FifoQueue(列表)、LifoQueue(列表)

SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'

#对保存到redis中的request对象进行序列化，默认使用pickle

SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"

#调度器中请求任务序列化后存放在redis中的key

SCHEDULER_QUEUE_KEY = '%(spider)s:requests'

#是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空

SCHEDULER_PERSIST =True

#是否在开始之前清空 调度器和去重记录，True=清空，False=不清空

SCHEDULER_FLUSH_ON_START =False

#去调度器中获取数据时，如果为空，最多等待时间(最后没数据，未获取到)。如果没有则立刻返回会造成空循环次数过多，cpu占用率飙升

SCHEDULER_IDLE_BEFORE_CLOSE = 10

#去重规则，在redis中保存时对应的key

SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'

#去重规则对应处理的类，将任务request_fingerprint(request)得到的字符串放入去重队列

SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'

View Code

3、持久化

#从目标站点获取并解析出数据后保存成item对象，会由引擎交给pipeline进行持久化/保存到数据库,scrapy-redis提供了一个pipeline组件，可以帮我们把item存到redis中

#1、将item持久化到redis时，指定key和序列化函数

REDIS_ITEMS_KEY = '%(spider)s:items'REDIS_ITEMS_SERIALIZER = 'json.dumps'

#2、使用列表保存item数据

View Code

4、从Redis中获取起始URL

scrapy程序爬取目标站点，一旦爬取完毕后就结束了，如果目标站点更新内容了，我们想重新爬取，那么只能再重新启动scrapy，非常麻烦

scrapy-redis提供了一种供，让scrapy从redis中获取起始url，如果没有scrapy则过一段时间再来取而不会关闭

这样我们就只需要写一个简单的脚本程序，定期往redis队列里放入一个起始url。

#具体配置如下

#1、编写爬虫时，起始URL从redis的Key中获取

REDIS_START_URLS_KEY = '%(name)s:start_urls'

#2、获取起始URL时，去集合中获取还是去列表中获取？True，集合；False，列表

REDIS_START_URLS_AS_SET = False #获取起始URL时，如果为True，则使用self.server.spop；如果为False，则使用self.server.lpop

View Code