1.什么是分布式爬虫
①.默认情况下,scrapy爬虫是单机爬虫,只能在一台电脑上运行因为爬虫调度器当中的队列queue 去重和set集合都是在本机上 创建的其他的电脑无法访问另一台电脑上的内存的内容
②.分布式爬虫用一个共同的爬虫程序,同时部署到多台电脑上运行。这样可以提高爬虫速度,实现分布式爬虫
2.分布式爬虫的前提:
①.要保证每一台计算机都能正常的执行scrapy命令,能够启动爬虫
②.要保证所有的爬虫程序 可以访问同一个队列一个set集合
scrapy_redis
想要保证多台机器共用一个queue队列和set集合,scrapy中是结合scrapy_redis完成 的分布式爬虫 可以让所有机器上的爬虫程序,从同一个queue队列中获取request请求, 并且每个机器取出request请求的对象是不一样的,直到所有的request被请求完毕
3.分布式爬虫的适用范围/要求:
1.分布式爬虫 对电脑的性能有一定的要求
2.分布式爬虫对网速也有一定的要求,电脑性能和网速不是很好的话,爬虫效率不如单机爬虫
注意:并不是任何时候都可以使用分布式爬虫,因为对硬件有要求,小公司可能负担不起
分布式爬虫经常和redis 数据库一起使用
4.redis数据的特点
优点:
—— 默认使用持久化数据方式,体积小,使用方便
—— 如果存储数据量比较大的话,启动速度很快
—— 数据库中的数据和内存的数据可以相互访问
缺点:
从安全性的角度来说,持久化可能会崩溃, 造成数据丢失