scrapy和scrapy-redis的区别

scrapy是一个python爬虫框架,爬取的效率极高,具有高度的定制性,但是不支持分布式。而scrapy-redis是一套基于redis库,运行在scrapy框架之上的组件,可以让scapy支持分布式策略

Slaver端共享Master端redis数据库里的item 队列、请求队列和请求指纹集合。

选择redis数据库的原因:

  redis支持主从同步,而且数据都是缓存在内存中的,所以基于redis的分布式爬虫,对请求和数据的高频率读取效率都非常高

    scrapy-redis和scrapy的关系就像电脑和固态硬盘一样,是电脑中的一个插件,能让电脑更快的运行

    scrapy是一个爬虫框架,scrapy-redis则是这个框架上可以选择的插件,它可以让爬虫跑得更

 

 

解释说明:

  1. 从优先级队列中获取requests对象,交给engine
  2. engine将requests对此昂交给下载器下载,期间会通过downlomiddleware的process_request方法
  3. 下载器完成下载,获得response对象,将该对象交给engine,期间会经过downloadmiddleware的process_response()方法
  4. engine将获得的response对象交给spider进行解析,期间会经过spidermiddleware的process_spider_input()方法
  5. spider解析下载器下载下来的response,返回item或links(url)
  6. item或者link经过spidermiddleware的process_spider_out()方法,交给engine
  7. engine将item交给item pipeline,将links交给调度器
  8. 在调度器中,先将requests对象利用scrapy内置的指纹函数生成一个指纹
  9. 如果requests对象中的don't filter参数设置为False,并且该requests对象的指纹不在信息指纹的队列中,那么就把该requests对象放到优先级队列中

 

中间件:

  spider与engine之间(爬虫中间件)

    介于scrapy引擎和爬虫之间的框架,主要工作就是处理爬虫的响应输入和请求的输出

  download与engine之间(下载器中间件)

    介于scrapy引擎和下载器之间的框架,主要是处理scrapy引擎与下载器之间的请求和响应

 

scrapy框架中的middleware.py

  1. Scrapy Middleware有以下几个函数被管理
    1. process_spider_input:接收一个response对象并处理
    2. process_spider_exception:spider出现异常时被调用
    3. process_spider_output:当spider处理response返回result时,就会调用该方法
    4. process_spider_requests:当spider发出请求时,被调用
  2. Download Middleware有以下几个函数被管理
    1. process_requests:requests通过下载中间件的时候,该方法被调用,这里可以通过设置代理,设置request.meta['proxy']就OK了
    2. process_response:下载结果经过中间件的时候会被这个方法解惑来进行处理
    3. process_exception:下载过程中出现异常的时候会被调用

 

Scrapy的优缺点:

  1. 优点
    1. scrapy是异步处理的,写middleware,方便写一些统一的过滤器
  2. 缺点
    1. 基于python的爬虫框架,扩展性比较差,基于twisted框架,运行中的exception是不会干掉reactor,并且异步框架出错后是不会停掉其他任务的,数据出错后难以察觉

 

Scrapy-Redis提供了四种组件(四种组件也就意味着这四个模块都需要做出相应的改动):

  1. Scheduler
    1. scrapy改变了python原本的collection.deque(双向队列)形成了自己的Scrapy queue,但是Scrapy多个spider不能共享爬取队列Scrapy queue,也就是Scrapy本身不支持爬虫的分布式,scrapy-redis的解决是把这个Scrapy queue换成了redis数据库(也是指redis队列),从同一个redis-server存放要爬取的request,就可以让多个爬虫去同一个数据库里读取了
    2. scrapy中跟待爬队列直接相关的就是调度器Scheduler,它负责对新的request进行入列操作(加入到Scrapy queue),取出下一个要爬的request(从Scrapy queue中取出来)等操作。它把待爬队列按照优先级建立一个字典结构,然后根据request中的优先级,再来决定该入哪个队列,出列时就按照优先级较小的优先出列,为了管理这个比较高级的队列字典,Scheduler需要提供一系列的方法,但是原来的Scheduler已经无法使用,所以使用Scrapy-redis的Scheduler组件
  2. Duplication Filter
    1. scrapy中用集合实现这个request的去重功能,scrapy中把已经发送的request指纹放入到一个集合中,把下一个request的指纹拿到集合中进行比较,如果该指纹已经存在集合中了,说了这个request发送过了,如果没有的话就继续这个操作
    2. 在scrapy-redis中去重是由Duplication Filter组件来实现的,它通过redis的set不重复的特性,巧妙的实现了Duplicating Filter去重。scrapy-redis调度器从引擎接受request,将request的指纹存入redis的set检查是否产生了重复,并将不重复的request push写入redis的request queue
    3. 引擎请求request时,调度器从redis的request queue队列里根据优先级进行pop出一个request返回给engine,engine将这个request发送给spider进行处理
  3. Item Pipeline
    1. 引擎(spider返回的)将爬取到的item给item pipeline,scrapy-redis的item pipeline将爬取到的item存入到redis的items queue
    2. 修改过的item pipeline可以很方便的根据key从items queue提取item,从而实现items processes集群
  4. Base Spider
    1. 不在使用scrapy原有的Spider类,重写RedisSpider继承了Spider和RedisMixin这两个类,RedisMixin是用来从redis中读取url的类
    2. 当我们生成一个Spider继承RedisSpider的时候,调用setup_redis函数,这个函数会去连接redis数据库,然后就设置signals(信号):一个是当spider空闲时候的signal,会调用spider_idle函数,这个函数调用scheduler_next_request函数,保证spider是一直活着的状态,并且抛出DontCloseSpider异常,还有一个就是当抓到一个item的signal,会调用item_scrapy函数,这个函数会调用scheduler_next_request函数,获取下一个request。

 

Scrapy-Redis分布式策略:

    首先要说一下Master端和Slaver端

    1. Master
      1. 核心服务器,搭建Redis数据库,不负责爬取,只负责url指纹判断是否重复、request的分配、以及数据的存储
    2. Slaver
      1. 爬虫程序执行端,负责执行爬虫程序,运行过程中提交新的request给Master

    

    首先Slaver端从Master端拿任务(request, url)进行数据爬取,Slaver抓取数据的同时,产生新的request就提交给Master进行处理

    Master端只有一个Redis数据库,负责将未处理的request去重和任务分配,将处理后的request加入待爬取的队列,并且存储爬取的数据

 

将scrapy变成scrapy-redis的过程(前提是已经安装好了scrapy-redis)

  1. 修改settings.py配置文件,最简单的方式就是使用redis来替换当前电脑的内存,并且同时配置好redis数据库相关的内容
    # 这个是需要手动加上的,通过scrapy-redis自带的pipeline将item存入redis中
    ITEM_PIPELINES = {'scrapy_redis.pipelines.RedisPipeline': 400
    }
    # 启动redis自带的去重
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
    # 启用调度器
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"
    # 是否在关闭spider的时候保存记录
    SCHEDULER_PERSIST = True
    # 使用优先级调度请求队列(默认使用)
    SCHEDULER_QUEUE_CLASS = 
     'scrapy_redis.queue.SpiderPriorityQueue'
    # 指定redis的地址和端口,有密码的需要加上密码
    REDIS_HOST = '127.0.0.1'
    REDIS_PORT = '6379'
    # 如果你的redis设了密码就需要加上密码, REDIS_PARAMS = { 'password': '123456', }

     

     

 

转载于:https://www.cnblogs.com/tulintao/p/11599741.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值