scrapy实现分布式爬虫以及布隆过滤器，scrapy-redis所遇到的问题，终端进入虚拟环境

记录一下scrapy实现分布式爬虫：

所用版本：

        pip install scrapy==2.5.1

        pip install scrapy-redis==0.7.2

开始先记录遇到的问题，方便读者解决：

问题一、

        版本问题，有的版本过高会导致scrapy-redis无法正常使用，这边建议卸载，再重新安装指定版本，可以参考安装和我一样版本的，卸载安装过的库只需要执行命令pip uninstall scrapy即可卸载其他同理。

问题二、

        报错：from collections import Iterable ImportError: cannot import name 'Iterable' from 'collections' 

         这是因为python版本过高的问题所导致未能正常导包，解决方法点击链接，接着进入spiders文件中，将代码改为下图红色框一至即可解决

接着再次运行又会出现新报错：odule 'OpenSSL.SSL' has no attribute 'SSLv3_METHOD'

这里只需要安装对应的库即可：pip install pyOpenSSL==22.0.0        接着就能成功运行。

问题三、

        另起终端进入当前文件夹后python3.10 runner.py 却出现报错的情况：No model named ‘scrapy_redis‘

原因是因为，终端所执行的环境与pycharm所在的环境不一样，所以报错，解决方法有两个

方法1:

        将终端环境安装与pycharm相同的库

方法2:

        进入项目的虚拟环境中，再执行代码

mac系统：

1.找到当前项目的venv的文件夹开启终端接着cd进入bin

2.接着执行source activate即可看见出现（venv）的标志说明进入成功

win系统：

1.pycharm每创建一个新项目就会创建一个虚拟环境，位于项目下venv下Script

2.cd进入位置后输入activate回车即可进入（venv）中  

        

先捋一下运作原理：

1. 某个爬虫从redis_key获取到起始url. 传递给引擎, 到调度器. 然后把起始url直接丢到redis的请求队列里. 开始了scrapy的爬虫抓取工作.  

2. 如果抓取过程中产生了新的请求. 不论是哪个节点产生的, 最终都会到redis的去重集合中进行判定是否抓取过. 

3. 如果抓取过. 直接就放弃该请求. 如果没有抓取过. 自动丢到redis请求队列中. 

4. 调度器继续从redis请求队列里获取要进行抓取的请求. 完成爬虫后续的工作. 

实现代码：

一切爬取编写方式正常，但是继承的累需要换成 RedisSpider

 接着将初始链接改为redis_keyx写法

from scrapy_redis.spiders import RedisSpider
from scrapy import Request,Selector
from scrapy.http import HtmlResponse

class LianjiaScrapySpider(RedisSpider):
    name = 'lianjia'
    allowed_domains = ['lianjia.com']
    redis_key = "lianjia:urls"

设置setting：（配置信息是固定的）

SCHEDULER_PERSIST = True # 如果为真. 在关闭时自动保存请求信息, 如果为假, 则不保存请求信息。

管道用不上时候索引掉

REDIS_HOST = "127.0.0.1"
REDIS_PORT = 6379
REDIS_DB = 0
REDIS_PARAMS = {
    "password":"xxxx"
}

SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True  
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 去重的逻辑. 要用redis的
ITEM_PIPELINES = {
   'lianjia.pipelines.lianjiaPipeline': 300,
    'scrapy_redis.pipelines.RedisPipeline': 301  # 配置redis的pipeline
}

编写启动文件：

#方式一：
from scrapy.cmdline import execute
import sys
import os

sys.path.append(os.path.dirname(__file__))
execute(["scrapy","crawl","lianjia"])

#方式二：
from scrapy.cmdline import execute

if __name__ == '__main__':
    execute("scrapy crawl lianjia".split())

接着运行代码，将会停留没有内容出现，pycharm处就比作一个服务器，另外再开启一个终端，就等于是两个服务器

终端进入当前项目环境：

1.找到当前项目的venv的文件夹开启终端接着cd进入bin

2.接着执行source activate即可看见出现（venv）的标志说明进入成功

3.cd进入运行的py文件中，执行python xxx.py即可运行（同样会进入等待无显示状态）

操作完后状态如上图，接着进入redis进入你指定库终端输入命令：(放入初始地址)

lpush lianjiaurls "https://gz.lianjia.com/ershoufang/huadou"

接着可以看到有一个终端想运行起来，接着接收到新的url后，底层会进行去重然后再分配给其他终端，接着两个终端一起运行起来 

 这个时候运行成功！至于未完成爬取想停止下来的话就只能ctrl+c停止，如果想自动停止就需要设置监听了

布隆过滤器：

数据过于庞大时候，越庞大效果越明显

# 安装布隆过滤器
pip install scrapy_redis_bloomfilter

# 去重类，要使用 BloomFilter 请替换 DUPEFILTER_CLASS
DUPEFILTER_CLASS = "scrapy_redis_bloomfilter.dupefilter.RFPDupeFilter"
# 哈希函数的个数，默认为 6，可以自行修改
BLOOMFILTER_HASH_NUMBER = 6
# BloomFilter 的 bit 参数，默认 30，占用 128MB 空间
BLOOMFILTER_BIT = 30	

这个简单替换后就能使用