python分布式集群ray_GitHub - Leesire-Python/jd_spider: 两只蠢萌京东的分布式爬虫.

使用 scrapy, scrapy-redis, graphite 实现的京东分布式爬虫，以 mongodb 实现底层存储。分布式

实现，解决带宽和性能的瓶颈，提高爬取的效率。实现 scrapy-redis 对进行 url 的去重

以及调度，利用redis的高效和易于扩展能够轻松实现高效率下载：当redis存储或者访问速

度遇到瓶颈时，可以通过增大redis集群数和爬虫集群数量改善

版本支持

现在支持Py2 和 Py3, 但是需要注意的是，为了兼容Py2, 默认不开启Graphite, 如果需要开启的话，需要Py3 并且修改 settings.py 的 ENABLE_GRAPHITE 字段，默认为False

爬取策略

获取 标签里面的 url 值，然后迭代爬取，并且把 url 限定在~xxx.jd.com~

范围内，防止无限广度的问题。在爬取某个页面的商品的时候，会把同一个商品的不同

规格爬取下来，例如32GIPhone,64GIPhone, 126GIPhone 等。

请求去重策略

使用 `scrapy_redis.dupefilter.RFPDupeFilter` 实现去重，请求入队列的逻辑－

enqueue_request,

而具体的去重逻辑是调用

scrapy.utils.request.request.fingerprint

商品去重策略

使用 Redis 进行商品去重，将商品的 sku-id 放入Redis, 在将整个商品数据插入到

Mongodb 之前，先检查 Redis 里sku-id 是否已存在

反反爬虫策略

禁用 cookie

通过禁用 cookie, 服务器就无法根据 cookie 判断出爬虫是否访问过网站

伪装成搜索引擎

现在可以通过修改 user-agent 伪装成搜索引擎

'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)',

'Mozilla/5.0 (compatible; Bingbot/2.0; +http://www.bing.com/bingbot.htm)',

'Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com/help/us/ysearch/slurp)',

'DuckDuckBot/1.0; (+http://duckduckgo.com/duckduckbot.html)',

'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)',

'Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)',

'ia_archiver (+http://www.alexa.com/site/help/webmasters; crawler@alexa.com)',

轮转 user-agent

为了提高突破反爬虫策略的成功率，定义多个user-agent, 然后每次请求都随机选择

user-agent。本爬虫实现了一个 RotateUserAgentMiddleware 类来实现 user-agent

的轮转

代理 IP

使用代理 IP, 防止 IP 被封

爬虫状态监控

将爬虫stats信息(请求个数，item下载个数，dropItem个数，日志)保存到redis中

实现了一个针对分布式的stats collector，并将其结果用graphite以图表形式动态实时显示

并发请求和深度控制

通过 setting.py 中的 CONCURRENT_REQUESTS = 32 配置来控制并发请求数量，通过

DepthMiddle 类的 DEPTH_LIMIT=max 参数来控制爬虫的的递归深度

项目依赖

python 3.5+

scrapy

scrapy-redis

pymongo

graphite (可选)

如何运行

git clone https://github.com/samrayleung/jd_spider.git

然后安装 python依赖

(sudo) pip install -r requirements.txt

安装Graphite(可选)

docker 安装

安装配置 graphite. 需要注意的是 graphite 只适用于 Linux 平台，且安装过程非常

麻烦，所以强烈建议使用 docker 进行安装。我基于 docker-graphite-statsd 这个

graphite 的镜像作了些许配置文件的修改，以适配 scrapy. 运行以下命令以拉取并运

行 image

sudo docker run -d\

--name graphite\

--restart=always\

-p 80:80\

-p 2003-2004:2003-2004\

-p 2023-2024:2023-2024\

-p 8125:8125/udp\

-p 8126:8126\

samrayleung/graphite-statsd

username: root

password: root

手动安装

当然，你也可以自己配置 graphite, 在成功配置 graphite 之后，需要修改一些配置：

把 /opt/graphite/webapp/content/js/composer_widgets.js 文件中

toggleAutoRefresh 函数里的 interval 变量从60改为1。

在配置文件 storage-aggregation.conf 里添加：

[scrapy_min]

pattern = ^scrapy\..*_min$

xFilesFactor = 0.1

aggregationMethod = min

[scrapy_max]

pattern = ^scrapy\..*_max$

xFilesFactor = 0.1

aggregationMethod = max

[scrapy_sum]

pattern = ^scrapy\..*_count$

xFilesFactor = 0.1

aggregationMethod = sum

而 storage-aggregation.conf 这个配置文件一般是位于 /opt/graphite/conf

运行

一切准备就绪之后，就可以运行爬虫了。

进入到 jd 目录下：

scrapy crawl jindong

注意事项

需要注意的是，本项目是含有两只爬虫，爬取商品评论需要先爬取商品信息，因为有了

商品信息才能爬取评论

代理 IP

虽然不使用代理 IP 可以爬取商品信息，但是可能爬取一段时间后就无法爬取商品信息，

所以需要添加代理 IP. 以 http://ip:port 的形式保存到文本文件，每行一个 IP,然后

在 setting 中指定路径：

PROXY_LIST = 'path/to/proxy_ip.txt'

并且去掉下面配置的注释：

RETRY_TIMES = 10

RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]

DOWNLOADER_MIDDLEWARES = {

'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,

'scrapy_proxies.RandomProxy': 100,

'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,

}

PROXY_MODE = 0

运行截图

graphite 监控

评论

评论总结

商品信息

Todo

Done 优化商品去重策略Issue:解决 爬取重复商品

Todo 优化爬取策略

Todo 增加新的解析策略

ChangeLog

2018-9-30

新增 Pipenv 支持

增加 py2 支持

默认不开启 Graphite

将爬虫修改回继承 RedisSpider

修复Github 提示的可能存在漏洞的包

感觉JD 的反爬虫策略明显加强，尝试爬了一会，很快被封IP

这个应该最后一次Update, 不会再投入精力到这个爬虫项目了

2018-4-4

将 Graphite 修改为可选项

参考及致谢