爬虫练习之递归爬取入口页面下所有链接(scrapy-redis分布式)

本文介绍了如何使用scrapy-redis构建分布式爬虫,详细讲解了scrapy-redis与scrapy的区别,包括调度器Scheduler、去重策略、数据管道Item Pipeline以及爬虫引擎Base Spider的差异,并提供了相关代码配置示例。
摘要由CSDN通过智能技术生成

1. 实现scrapy-redis前的一些准备

  1. 参考前文,在centos7环境下安装redis,实现远程登录redis服务功能并开启服务
    https://blog.csdn.net/wxfghy/article/details/80349405
  2. 下载scrapy-redis源代码并解压
    https://github.com/rmax/scrapy-redis
  3. pycharm中安装scrapy和scrapy-redis模块
  4. pycharm中打开scrapy-redis源代码所在文件夹
  5. 同scrapy用法,修改四个文件items, settings, pipelines 和自定义的爬虫代码dmoz

2. scrapy-redis与scrapy区别

利用redis实现分布式爬虫

调度器Scheduler
  1. scrapy
    1. 改写Python双向队列为自己的优先级队列,但是scapry中存在多个spider时不能共享同一个待爬队列
  2. scrapy-redis
    1. 将scarpy队列放到redis数据库中读取,实现多个爬虫共享一个队列
    2. 同时还支持使用FIFO队列和LIFO队列
去除重复Duplication Filter
  1. scrapy
    1. 使用集合实现去重
    2. 将已发送请求的指纹存入集合,新发送请求时与该集合比对判断是否已请求过
  2. scrapy-redis
    1. redis的zset具有不重复的特点
    2. 将指纹存入redis,将不重复的请求写入请求队列
数据管道Item Pipeline
  1. scrapy
    爬取到的数据直接传给管道文件
  2. scrapy-redis
    将爬取到的数据存入redis数据队列,可实现items processes集群
爬虫引擎Base Spider
  1. scrapy
    Spider类
  2. scrapy-redis
    继承Spider类和RedisMixin类,从redis读取url

3. 代码部分

settings
# Scrapy settings for lagou project
#
# For simplicity, this file contains only the most important settings by
# default. All the other settings are documented here:
#
#     http://doc.scrapy.org/topics/settings.html
#
SPIDER_MODULES = ['lagou.spiders']
NEWSPIDER_MODULE = 'lagou.spiders'

#USER_AGENT = 'scrapy-redis (+https://github.com/rolando/scrapy-redis)'
# 本地重复过滤
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 计划调度器,将请求队列处理分发
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 是否将本地请求队列持久化到远程服务器
SCHEDULER_PERSIST = True
# 使用框架提供的队列
SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"# 常用,优先级队列
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"# FIFO队列,先进先出
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"# LIFO队列,后进先出

ITEM_PIPELINES = {
    'lagou.pipelines.lagouPipeline': 300,
    'scrapy_redis.pipelines.RedisPipeline': 400,
}
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值