scrapy-redis是scrapy框架基于redis数据库的组件,用于scrapy项目的分布式开发和部署。
有如下特征:
分布式爬取
您可以启动多个spider工程,相互之间共享单个redis的requests队列。最适合广泛的多个域名网站的内容爬取。
分布式数据处理
爬取到的scrapy的item数据可以推入到redis队列中,这意味着你可以根据需求启动尽可能多的处理程序来共享item的队列,进行item数据持久化处理
Scrapy即插即用组件
Scheduler调度器 + Duplication复制 过滤器,Item Pipeline,基本spider
-
首先Slaver端从Master端拿任务(Request、url)进行数据抓取,Slaver抓取数据的同时,产生新任务的Request便提交给 Master 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加入待爬队列,并且存储爬取的数据。
Scrapy-Redis默认使用的就是这种策略,我们实现起来很简单,因为任务调度等工作Scrapy-Redis都已经帮我们做好了,我们只需要继承RedisSpider、指定redis_key就行了。
缺点 Scrapy-Redis调度的任务是Request对象,里面信息量比较大(不仅包含url,还有callback函数、headers等信息),
可能导致的结果就是会降低爬虫速度、而且会占用Redis大量的存储空间,所以如果要保证效率,那么就需要一定硬件水平。
安装
pip install scrapy-redis
一般在配置文件中添加如下几个常用配置选项:
使用了scrapy_redis的去重组件,在redis数据库里做去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
使用了scrapy_redis的调度器,在redis里分配请求
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
在redis中保持scrapy-redis用到的各个队列,从而允许暂停和暂停后恢复,也就是不清理redis queues
SCHEDULER_PERSIST = True
通过配置RedisPipeline将item写入key为 spider.name : items 的redis的list中,供后面的分布式处理item 这个已经由 scrapy-redis 实现,不需要我们写代码,直接使用即可
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 100 ,
}
指定redis数据库的连接参数
REDIS_HOST = '127.0.0.1'
REDIS_PORT = 6379
如何把项目改为分布式爬虫????
过程只需要修改一下spider的继承类和配置文件
更改settings.py文件
修改继承类
start_url已经不需要了,修改为:redis_key = “xxxxx”,其中,这个键的值暂时是自己取的名字,一般用项目名:start_urls来代替初始爬取的url。由于分布式scrapy-redis中每个请求都是从redis中取出来的,因此,在redis数据库中,设置一个redis_key的值,作为初始的url,scrapy就会自动在redis中取出redis_key的值,作为初始url,实现自动爬取。
如果不使用默认的request队列模式(则设置队列模式)
# 调度器存储request队列的模式(三种)
#SpiderPriorityQueue:是scrapy_redis框架(默认)的请求队列形式
#(有自己的优先级),按照redis数据库中的有序集合的方式取
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SpiderQueu:请求队列形式,按照先进先出的方式
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SpiderStack:请求队列形式,按照先进的后出的方式(类似栈的结构)
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"`
最后添加起始任务即可
为什么使用redis数据库 好处
Scrapy_redis在scrapy的基础上实现了更多,更强大的功能,
具体体现在:reqeust去重,爬虫持久化,和轻松实现分布式
提供了下面四种组件
- Scheduler
- Duplication Filter
- Item Pipeline
- Base Spider