scrapy-redis基础和介绍

我是基于最新版本（0.6版）的 scrapy-redis 来胡说八道的

一、scrapy-redis（0.6）依赖的环境

Scrapy >= 1.0.0                #终于过了1版本，这个太重要了，总算坑小了点，感谢那些为了解决各种scrapy与scrapy-redis不兼容做出了贡献的开发者和博主。
redis-py >= 2.10.0
redis server >= 2.8.0

0.6版本的主要更新内容是更新代码以支持Scrapy 1.0； 增加了-a domain=... option for example spiders.

官方源代码

二、scrapy-redis的作用和特点

作用：scrapy-redis为Scrapy提供Redis-backed组件

特点： 可以启动多个爬虫实例共享一个单一的 redis队列。是最适合广泛的多域爬虫。

分布式的post处理。scrapy到的items放入一个redis队列意味着可以分享这个items队列，并在其中启用足够多的post处理进程。

三、scrapy和scrapy-redis的区别与组件的意义

scrapy 是一个通用的爬虫框架

scrapy-redis是为了更方便地实现scrapy分布式爬取，而提供了一些以redis为基础的组件( 仅有组件)

scrapy-redis提供了下面四种组件（components）：( 四种组件意味着这四个模块都要做相应的修改)

Scheduler Duplication Filter Item Pipeline Base Spider

scrapy改造了python本来的collection.deque形成了自己的scrqueue( 自己取得名字) 传送门： queuelib/queuelib/queue.py源码

scrapy多个spider不能共享待爬取队列scrqueue， 即scrapy本身不支持爬虫分布式，解决是把这个 scrqueue换成redis数据库（ 也是指redis队列），从同一个redis-server存放要爬取的request，便能让多个spider去同一个数据库里读取。

scrapy中跟“待爬队列”直接相关的就是调度器“ Scheduler”，它负责对新的request进行入列操作（加入scrqueue），取出下一个要爬取的request（从scrqueue中取出）等操作。它把待爬队列按照优先级建立了一个字典结构，比如：

{

priority0:队列0

priority1:队列2

priority2:队列2

}

然后根据request中的priority属性，来决定该入哪个队列。而出列时，则按priority较小的优先出列。为了管理这个比较高级的队列字典，Scheduler需要提供一系列的方法。原来的Scheduler已经无法使用（被替换掉了，注意上一个红色字段），所以使用scrapy-redis的 scheduler组件。

scrapy中用集合实现这个request去重功能，scrapy中把已经发送的request指纹放入到一个集合中，把下一个request的指纹拿到集合中比对，如果该指纹存在于集合中，说明这个request发送过了，如果没有则继续操作。（ 源码传送）这个核心的判重功能是这样实现的：

</pre></div></blockquote><pre name="code" class="plain">def request_seen(self, request):
    #self.figerprints就是一个指纹集合
    fp = self.request_fingerprint(request)
    if fp in self.fingerprints:#这就是判重的核心操作。
        return True
    self.fingerprints.add(fp)
    ......

在scrapy-redis中去重是由Duplication Filter组件来实现的。

四、最快的安装和启用

安装：

$ pip install scrapy-redis 
或者 
$ git clone https://github.com/darkrho/scrapy-redis.git
$ cd scrapy-redis
$ python setup.py install

  在 settings.py 中启用组件们：

</pre></blockquote><pre name="code" class="plain"># Enables scheduling storing requests queue in redis.
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_16_2220405" name="code" class="python"># Don't cleanup redis queues, allows to pause/resume crawls.
SCHEDULER_PERSIST = True
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_19_5349541" name="code" class="python"># Schedule requests using a priority queue. (default)
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderPriorityQueue'
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_22_4193298" name="code" class="python"># Schedule requests using a queue (FIFO).
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderQueue'
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_25_5337568" name="code" class="python"># Schedule requests using a stack (LIFO).
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderStack'
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_28_6547876" name="code" class="python"># Max idle time to prevent the spider from being closed when distributed crawling.
# This only works if queue class is SpiderQueue or SpiderStack,
# and may also block the same time when your spider start at the first time (because the queue is empty).
SCHEDULER_IDLE_BEFORE_CLOSE = 10
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_33_5980278" name="code" class="python"># Store scraped item in redis for post-processing.
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300
}
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_38_8651283" name="code" class="python"># Specify the host and port to use when connecting to Redis (optional).
REDIS_HOST = 'localhost'
REDIS_PORT = 6379
</pre></div></blockquote><blockquote style="margin:0 0 0 40px; border:none; padding:0px"><div><span style="white-space:pre"></span><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_42_1638716" name="code" class="python"># Specify the full Redis URL for connecting (optional).
# If set, this takes precedence over the REDIS_HOST and REDIS_PORT settings.
REDIS_URL = 'redis://user:pass@hostname:9001'

五、通过redis来喂饱爬虫们~

scrapy_redis.spiders.RedisSpider类启用了爬虫通过redis得到urls，这些在redis队列中的爬虫将会一个接一个的被处理，！！如果第一个request产生了更多的request，爬虫会先处理这些请求，再从redis队列中抓取其他url。

上面偷懒，这里举个栗子：创建 couxiaoxiao.py

from scrapy_redis.spiders import RedisSpider
</pre></div><div><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_47_2390110" name="code" class="python">class MySpider(RedisSpider):
    name = 'myspider'
</pre></div><div><pre code_snippet_id="1682225" snippet_file_name="blog_20160513_50_2662327" name="code" class="python">    def parse(self, response):
        # do stuff
        pass

运行爬虫

scrapy runspider myspider.py

向redis中装入url们

redis-cli lpush myspider:start_urls http://xiaowangzhi.com

六、内容待续。。。有关注的技术方向请评论