增量式爬虫:在上一次的基础上继续爬取,爬过的不再爬取。
分布式爬虫:多台服务器可以共享两个队列,所以可以并发来爬取数据。
Scrapy-Redis插件:
安装 pip install scrapy-redis
与原来的爬虫相比,只有设置文件中的4行代码有区别:
增量式和分布式爬虫核心代码
REDIS_URL = "redis://127.0.0.1:6379"
#指定了去重的类
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#制定了调度器的类
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
#调度器的内容是否持久化, 爬虫执行结束后,是否要清空redis中的数据
SCHEDULER_PERSIST = True
Scrapy-Redis中的去重:
# scrapy_redis.dupefilter.RFPDupeFilter
def request_seen(self, request):
# 请求是否见过,True就是见过,False就是没有见过
# 计算当前请求的特征值
fp = self.request_fingerprint(request)
# 跟以前的请求的特征值进行比对,如果比对上,就返回True,否则返回False
# 向Redis数据库中的Set类型(不能重复ÿ