Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。Scrapy框架已经可以完成很大的一部分爬虫工作了。但是如果遇到比较大规模的数据爬取，直接可以用上python的多线程/多进程，如果你拥有多台服务器，分布式爬取是最好的解决方式，也是最有效率的方法。Scrapy-redis是基于redis的一个scrapy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uel队列获取url，并把数据统一保存在同一个数据库里面。 之前听了崔庆才老师的知乎爬虫课程，但是关于利用scrapy-redis构建分布式一直不太清晰。所以下面会利用MongoDB、redis搭建分布式爬虫。
scrapy-redis分布式架构图：
Scheduler调度器从redis获取请求的url地址，传递给Downloader下载器下载数据网页，然后把数据网页传递给spiders爬虫提取数据逻辑器处理，最后把结构化保存数据的item数据对象经过itemPipeLine保存在redis数据库。
其他机器的item Proccess进程和图上的单一进程相类似，Master主爬虫程序则维持redis数据库的url队列。
准备条件：
1. linux系统机器一台(博主用的是阿里云ECS centos7.2,如需ECS安装的过程可以参照之前的阿里云ECS安装文章)
2. Redis[redis的windows客户端和windows的RedisDesktopMananger]和Linux redis版本
3. Anaconda(windows)和Anaconda(Linux版本)
4 MongoDB(linux版本)
5. Robomongo 0.9.0(mongodb的可视化管理工具)
复制代码安装windows的redis客户端以及linux的redis的服务端。
安装的版本是 redis2.8.2402和redis可视化工具RedisDesktopManager
- windows下安装redis以及RedisDesktopManager十分简单，直接下一步下一步就可以完成。
- 验证redis是否成功，在windows的DOS命令进入你安装redis的目录下，输入以下命令,博主安装目录是D盘的redis目录：
似乎是不是对于DOS命令窗口不太感冒而且也不太好管理，RedisDesktopManager派上用场了。安装完RedisDesktopManager启动如下图，输入如图的信息，即可连接上本地redis数据库：
- 至此已经完成安装windows的redis数据库。感觉路还长着。
在阿里云ECS上面安装Redis：
在xshell登录阿里云ECS终端，运行下面命令安装redis：
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# yum -y install redis
复制代码阿里云系统是CentOS7.2，如果你自己的是Ubuntu，可以运行下面的命令安装：
[author@iZpq90f23ft5jyj3s7fmduhZ ~]$sudo apt-get install redis
复制代码Redis数据库安装完之后，会自动启动。运行下面命令查看redis运行状态。
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# ps -aux|grep redis
root 13925 0.0 0.0 112648 964 pts/0 R+ 14:42 0:00 grep --color=auto redis
redis 29418 0.0 0.6 151096 11912 ? Ssl Sep22 1:25 /usr/bin/redis-server *:6379
复制代码如果不设置redis密码，那么跟在大街上裸奔有什么区别。依稀还记得早些时候MongoDB国内外发生拖库事件，所以还是为redis设置密码。默认安装redis的配置文件在/etc/下面，如下所示,然后修改里面的几条信息：
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# vim /etc/redis.conf
# bind 127.0.0.1(注释绑定的IP地址链接，如果你想只绑定特定的链接IP地址，可以改为自己的IP地址)
requirepass xxxxxxx(这xxxxxx是设置的密码，把requirepass前面的#去除)
port 6379(这是连接redis数据库的端口，可以修改为其他的端口，博主采用默认的端口)
protected-mode no(里面no设置为yes)
复制代码修改完成，保存退出。重新启动redis服务：
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# service redis restart
复制代码使用windows的RedisDesktopManager连接阿里云上面的Redis：
意外永远是预料不到的，连接不上。这是因为阿里云的安全规则，要添加开放6379的端口，才能进行连接。
登录阿里云个人管理控制台，然后添加安全组规则。如下图所示:其中授权对象0.0.0.0/0是指允许所有的IP地址连接redis，端口范围6379/6379就是说只开放6379端口
完成安全组设置，在RedisDesktopManager设置IP地址和密码，即可登录上阿里云的redis数据库：
安装Anaconda：
Anaconda 4.4.0 在windows安装过程很简单，下载好可执行文件，直接下一步下一步就可完成。Anaconda默认包含python解释器，博主选择的是python3.6版，在windows运行一下命令，查看Anaconda安装了什么包：
C:\User\Username>conda list
复制代码因为scrapy框架在window安装比较麻烦，经常出现很多不知名的错误依赖，所以选择Anaconda，可以很快安装scrapy，scrapy-reis，pymongo，redis包；当然也可以直接使用pip安装模块包。
conda install scrapy
conda install scrapy-redis
conda install pymongo
conda install redis
复制代码Anaconda 4.0.4 linux可执行脚本文件，可以直接在windows下载，然后在通过Filezilla上传到到阿里云ECS。上传到Linux上，执行下面的命令。Anaconda在linux'安装需要手动enter，并且过程中输入是否把conda命令写进环境变量，整个过程，如果遇到询问，直接输入yes即可：
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# bash Anaconda3-4.4.0-Linux-x86_64.sh
复制代码安装完Anaconda之后，在命令行窗口输入python，即可发现是python3.6的版本。阿里云ECS CentOS7.2默认的python版本是python2.7.使用anaconda安装pymongo、redis、scrapy、scrapy-redis依赖包。
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# python
Python 3.6.1 |Anaconda 4.4.0 (64-bit)| (default, May 11 2017, 13:09:58)
[GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>
>>>
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# conda install scrapy
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# conda install scrapy-redis
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# conda install pymongo
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# conda install redis
复制代码在阿里云ECS上面安装MongoDB:
在MongoDB官网下载 mongodb3.4.9,下载完成之后，通过文件FileZilla上传到阿里云ECS。
在阿里云ECS运行一下命令安装MongoDB,其中db.createUser方法的db是将来爬虫使用数据库。如果想详细了解db.createUser可以直接到MongoDB文档查阅
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# tar -vxzf mongodb-linux-x86_64-amazon-3.4.9.tgz
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# mv mongodb-linux-x86_64-amazon-3.4.9.tgz mongodb
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# cd mongodb
[author@iZpq90f23ft5jyj3s7fmduhZ mongodb~]# mkdir db
[author@iZpq90f23ft5jyj3s7fmduhZ mongodb~]# mkdir logs
[author@iZpq90f23ft5jyj3s7fmduhZ mongodb~]# cd logs
[author@iZpq90f23ft5jyj3s7fmduhZ logs~]# touch mongodb.log
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# cd ..
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# cd ..
[author@iZpq90f23ft5jyj3s7fmduhZ mognodb~]# cd bin
[author@iZpq90f23ft5jyj3s7fmduhZ mognodb bin~]# touch mongodb.conf(创建mongodb的日志保存路径以及数据保存路径)
# 下面是mongodb.conf的文件内容
dbpath=/author/mongodb/db()
logpath=/author/mongodb/logs/mongodb.log
port=27017
fork=true
nohttpinterface=true
##############################
[author@iZpq90f23ft5jyj3s7fmduhZ mongodb bin ~]# ./mongod --config mongodb.conf(启动mongoDB)
[author@iZpq90f23ft5jyj3s7fmduhZ mongodb bin ~]# ./mongo （启动mongodb客户端）
MongoDB shell version v3.4.9
connecting to: mongodb://127.0.0.1:27017
MongoDB server version: 3.4.9
> db.createUser({user:"xxx",pwd:"xxx",roles:[{role:"readWrite",db:"zhihu"}]})
[author@iZpq90f23ft5jyj3s7fmduhZ ~]# kill -9 pid(这里是mongodb的进程id，可以通过ps -aux|grep mongodb查看)
[author@iZpq90f23ft5jyj3s7fmduhZ mognodb bin~]# ./mongod --config mongodb.conf --auth(--auth以需要授权的方式启动mongodb)
复制代码windows安装 Robomongo可视化工具:
安装Robbomongo过程很简单，就不太再叙述了。安装完之后，其中的username是刚才创建的user，zhihu是要连接的数据库。这里会发现连接时间过长失败，原因也是想Redis一样，阿里云的安全规则限制，所以可以像redis那样设置连接开放27017端口就可以了。
终于全部安装完所需要的工具，工欲善其事必先利其器，真的是有苦说不来。
scrapy-redis的源码
这里是另外一位作者的源码，因为通过抓包分析。知乎的json的格式数据已经改变了以及自己安装的Mongodb需要进行验证，所以自己改写了一部分。崔庆才源码
setting.py配置文件部分：
# -*- coding: utf-8 -*-
# Scrapy settings for zhihuuser project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
# http://doc.scrapy.org/en/latest/topics/settings.html
# http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
# http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
BOT_NAME = 'zhihuuser'
SPIDER_MODULES = ['zhihuuser.spiders']
NEWSPIDER_MODULE = 'zhihuuser.spiders'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
# USER_AGENT = 'zhihuuser (+http://www.yourdomain.com)'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32
# Configure a delay for requests for the same website (default: 0)
# See http://scrapy.readthedocs.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16
# Disable cookies (enabled by default)
#COOKIES_ENABLED = False
# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False
# Override the default request headers:
DEFAULT_REQUEST_HEADERS = {
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
'Accept-Language':'en',
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36',
'authorization':'oauth c3cef7c66a1843f8b3a9e6a1e3160e20'
}
# Enable or disable spider middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
# 'zhihuuser.middlewares.ZhihuuserSpiderMiddleware': 543,
#}
# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
# 'zhihuuser.middlewares.MyCustomDownloaderMiddleware': 543,
#}
# Enable or disable extensions
# See http://scrapy.readthedocs.org/en/latest/topics/extensions.html
#EXTENSIONS = {
# 'scrapy.extensions.telnet.TelnetConsole': None,
#}
# Configure item pipelines
# See http://scrapy.readthedocs.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
'zhihuuser.pipelines.MongoPipeline': 300,
# 'zhihuuser.pipelines.JsonWriterPipeline': 300,
'scrapy_redis.pipelines.RedisPipeline': 301
}
# Enable and configure the AutoThrottle extension (disabled by default)
# See http://doc.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False
# Enable and configure HTTP caching (disabled by default)
# See http://scrapy.readthedocs.org/en/latest/topics/downloader- middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'
MONGO_URI='hostIP'
MONGO_DATABASE='zhihu'
MONGO_USER="username"
MONGO_PASS="password"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
REDIS_URL = 'redis://username:pass@hostIP:6379'
复制代码Pipelines.py管道部分：
# -*- coding: utf-8 -*-
# Define your item pipelines here
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: http://doc.scrapy.org/en/latest/topics/item-pipeline.html
import pymongo
class MongoPipeline(object):
collection_name="users"
def __init__(self,mongo_uri,mongo_db,mongo_user,mongo_pass):
self.mongo_uri=mongo_uri
self.mongo_db=mongo_db
self.mongo_user=mongo_user
self.mongo_pass=mongo_pass
@classmethod
def from_crawler(cls,crawler):
return cls(mongo_uri=crawler.settings.get('MONGO_URI'),mongo_db=crawler.settings.get('MONGO_DATABASE'),mongo_user=crawler.settings.get("MONGO_USER"),mongo_pass=crawler.settings.get("MONGO_PASS"))
def open_spider(self, spider):
self.client = pymongo.MongoClient(self.mongo_uri)
self.db = self.client[self.mongo_db]
self.db.authenticate(self.mongo_user,self.mongo_pass)
def close_spider(self, spider):
self.client.close()
def process_item(self, item, spider):
# self.db[self.collection_name].update({'url_token': item['url_token']}, {'$set': dict(item)}, True)
# return item
self.db[self.collection_name].insert(dict(item))
return item
# import json
# class JsonWriterPipeline(object):
# def __init__(self):
# self.file = open('data.json', 'w',encoding='UTF-8')
# def process_item(self, item, spider):
# #self.file.write("我开始打印了\n")
# line = json.dumps(dict(item)) + "\n"
# self.file.write(line)
# return item
复制代码items部分，知乎json数据已经改变，所以改写了这部分：
# -*- coding: utf-8 -*-
# Define here the models for your scraped items
# See documentation in:
# http://doc.scrapy.org/en/latest/topics/items.html
from scrapy import Item,Field
class ZhihuuserItem(Item):
allow_message=Field()
answer_count=Field()
articles_count=Field()
avatar_url_template=Field()
badge=Field()
employments=Field()
follower_count=Field()
gender=Field()
headline=Field()
id=Field()
is_advertiser=Field()
is_blocking=Field()
is_followed=Field()
is_following=Field()
url=Field()
url_token=Field()
user_type=Field()
复制代码zhihu.py即spiders部分:
# -*- coding: utf-8 -*-
from scrapy import Spider,Request
import json
from zhihuuser.items import ZhihuuserItem
class ZhihuSpider(Spider):
name = "zhihu"
allowed_domains = ["www.zhihu.com"]
start_urls = ['http://www.zhihu.com/']
#获取用户的关注列表
follows_url="https://www.zhihu.com/api/v4/members/{user}/followees?include={include}&offset={offset}&limit={limit}"
#用户的详细信息
user_url="https://www.zhihu.com/api/v4/members/{user}?include={include}"
#开始用户名
start_user="zhang-yu-meng-7"
#用户详细信息include参数
user_query = 'locations,employments,gender,educations,business,voteup_count,thanked_Count,follower_count,following_count,cover_url,following_topic_count,following_question_count,following_favlists_count,following_columns_count,answer_count,articles_count,pins_count,question_count,commercial_question_count,favorite_count,favorited_count,logs_count,marked_answers_count,marked_answers_text,message_thread_token,account_status,is_active,is_force_renamed,is_bind_sina,sina_weibo_url,sina_weibo_name,show_sina_weibo,is_blocking,is_blocked,is_following,is_followed,mutual_followees_count,vote_to_count,vote_from_count,thank_to_count,thank_from_count,thanked_count,description,hosted_live_count,participated_live_count,allow_message,industry_category,org_name,org_homepage,badge[?(type=best_answerer)].topics'
#获取关注人的include的参数
follows_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'
followers_url = 'https://www.zhihu.com/api/v4/members/{user}/followers?include={include}&offset={offset}&limit={limit}'
followers_query = 'data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics'
def start_requests(self):
yield Request(self.user_url.format(user=self.start_user,include=self.user_query),self.parse_user)
yield Request(self.followers_url.format(user=self.start_user, include=self.followers_query, limit=20, offset=0),self.parse_followers)
yield Request(self.follows_url.format(user=self.start_user,include=self.follows_query,limit=20,offset=0),self.parse_follows)
#保存用户详细信息
def parse_user(self, response):
result=json.loads(response.text)
item=ZhihuuserItem()
for field in item.fields:
if field in result.keys():
item[field]=result.get(field)
yield item
#获取用户关注用户列表
def parse_follows(self,response):
results=json.loads(response.text)
if 'data' in results.keys():
for result in results.get('data'):
yield Request(self.user_url.format(user=result.get('url_token'),include=self.user_query),self.parse_user)
if 'paging' in results.keys()and results.get('paging').get('is_end')==False:
next_page=results.get('paging').get('next')
yield Request(next_page,self.parse_follows)
def parse_followers(self, response):
results = json.loads(response.text)
if 'data' in results.keys():
for result in results.get('data'):
yield Request(self.user_url.format(user=result.get('url_token'), include=self.user_query),self.parse_user)
if 'paging' in results.keys() and results.get('paging').get('is_end') == False:
next_page = results.get('paging').get('next')
yield Request(next_page, self.parse_followers)
复制代码在windows和linux中分别启动爬虫进程，然后查看获取到的数据：
windows启动爬虫程序:
scrapy crawl zhihu
复制代码阿里云linux启动爬虫程序
scrapy crawl zhihu
复制代码查看redis：
查看mongodb数据库
参考文章:
崔庆才博客
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
