1. 背景
Scrapy 是一個(gè)通用的爬蟲框架，但是不支持分布式，Scrapy-redis是為了更方便地實(shí)現(xiàn)Scrapy分布式爬取，而提供了一些以redis為基礎(chǔ)的組件(僅有組件)。
2. 環(huán)境
- 系統(tǒng)：win7
- scrapy-redis
- redis 3.0.5
- python 3.6.1
3. 原理
3.1. 對比一下scrapy 和 Scrapy-redis 的架構(gòu)圖。
scrapy架構(gòu)圖：
scrapy-redis 架構(gòu)圖：
多了一個(gè)redis組件，主要影響兩個(gè)地方：第一個(gè)是調(diào)度器。第二個(gè)是數(shù)據(jù)的處理。 3.2. Scrapy-Redis分布式策略。
作為一個(gè)分布式爬蟲，是需要有一個(gè)Master端（核心服務(wù)器）的，在Master端，會搭建一個(gè)Redis數(shù)據(jù)庫，用來存儲start_urls、request、items。Master的職責(zé)是負(fù)責(zé)url指紋判重，Request的分配，以及數(shù)據(jù)的存儲（一般在Master端會安裝一個(gè)mongodb用來存儲redis中的items）。出了Master之外，還有一個(gè)角色就是slaver（爬蟲程序執(zhí)行端），它主要負(fù)責(zé)執(zhí)行爬蟲程序爬取數(shù)據(jù)，并將爬取過程中新的Request提交到Master的redis數(shù)據(jù)庫中。
如上圖，假設(shè)我們有四臺電腦：A， B， C， D ，其中任意一臺電腦都可以作為 Master端 或 Slaver端。整個(gè)流程是：
- 首先Slaver端從Master端拿任務(wù)（Request、url）進(jìn)行數(shù)據(jù)抓取，Slaver抓取數(shù)據(jù)的同時(shí)，產(chǎn)生新任務(wù)的Request便提交給 Master 處理；
- Master端只有一個(gè)Redis數(shù)據(jù)庫，負(fù)責(zé)將未處理的Request去重和任務(wù)分配，將處理后的Request加入待爬隊(duì)列，并且存儲爬取的數(shù)據(jù)。
Scrapy-Redis默認(rèn)使用的就是這種策略，我們實(shí)現(xiàn)起來很簡單，因?yàn)槿蝿?wù)調(diào)度等工作Scrapy-Redis都已經(jīng)幫我們做好了，我們只需要繼承RedisSpider、指定redis_key就行了。
缺點(diǎn)是，Scrapy-Redis調(diào)度的任務(wù)是Request對象，里面信息量比較大（不僅包含url，還有callback函數(shù)、headers等信息），可能導(dǎo)致的結(jié)果就是會降低爬蟲速度、而且會占用Redis大量的存儲空間，所以如果要保證效率，那么就需要一定硬件水平。
4. 運(yùn)行流程
第一步：在slaver端的爬蟲中，指定好 redis_key，并指定好redis數(shù)據(jù)庫的地址，比如：
class MySpider(RedisSpider): """Spider that reads urls from redis queue (myspider:start_urls).""" name = "amazon" redis_key = "amazonCategory:start_
# 指定redis數(shù)據(jù)庫的連接參數(shù) "REDIS_HOST": "172.16.1.99", "REDIS_PORT": 6379,
第二步：啟動slaver端的爬蟲，爬蟲進(jìn)入等待狀態(tài)，等待 redis 中出現(xiàn) redis_key ，Log如下：
2017-12-12 15:54:18 [scrapy.utils.log] INFO: Scrapy 1.4.0 started (bot: scrapybot)
2017-12-12 15:54:18 [scrapy.utils.log] INFO: Overridden settings: {"SPIDER_LOADER_WARN_ONLY": True}
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled extensions:
["scrapy.extensions.corestats.CoreStats",
"scrapy.extensions.telnet.TelnetConsole",
"scrapy.extensions.logstats.LogStats"]
2017-12-12 15:54:18 [myspider_redis] INFO: Reading start URLs from redis key "myspider:start_urls" (batch size: 110, encoding: utf-8
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled downloader middlewares:
["scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware",
"scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware",
"scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware",
"redisClawerSlaver.middlewares.ProxiesMiddleware",
"redisClawerSlaver.middlewares.HeadersMiddleware",
"scrapy.downloadermiddlewares.retry.RetryMiddleware",
"scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware",
"scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware",
"scrapy.downloadermiddlewares.redirect.RedirectMiddleware",
"scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware",
"scrapy.downloadermiddlewares.stats.DownloaderStats"]
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled spider middlewares:
["scrapy.spidermiddlewares.httperror.HttpErrorMiddleware",
"scrapy.spidermiddlewares.offsite.OffsiteMiddleware",
"scrapy.spidermiddlewares.referer.RefererMiddleware",
"scrapy.spidermiddlewares.urllength.UrlLengthMiddleware",
"scrapy.spidermiddlewares.depth.DepthMiddleware"]
2017-12-12 15:54:18 [scrapy.middleware] INFO: Enabled item pipelines:
["redisClawerSlaver.pipelines.ExamplePipeline",
"scrapy_redis.pipelines.RedisPipeline"]
2017-12-12 15:54:18 [scrapy.core.engine] INFO: Spider opened
2017-12-12 15:54:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-12-12 15:55:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
2017-12-12 15:56:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
第三步：啟動腳本，往redis數(shù)據(jù)庫中填入redis_key（start_urls）
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import redis
# 將start_url 存儲到redis中的redis_key中，讓爬蟲去爬取
redis_Host = "172.16.1.99"
redis_key = "amazonCategory:start_urls"
# 創(chuàng)建redis數(shù)據(jù)庫連接
rediscli = redis.Redis(host = redis_Host, port = 6379, db = "0")
# 先將redis中的requests全部清空
flushdbRes = rediscli.flushdb()
print(f"flushdbRes = {flushdbRes}")
rediscli.lpush(redis_key, https://www.baidu.com)
第四步：slaver端的爬蟲開始爬取數(shù)據(jù)。Log如下：
2017-12-12 15:56:18 [scrapy.extensions.logstats] INFO: Crawled 0 pages (at 0 pages/min), scraped 0 items (at 0 items/min)
parse url = https://www.baidu.com, status = 200, meta = {"download_timeout": 25.0, "proxy": "http://proxy.abuyun.com:9020", "download_slot": "www.baidu.com", "download_latency": 0.2569999694824219, "depth": 7}
parse url = https://www.baidu.com, status = 200, meta = {"download_timeout": 25.0, "proxy": "http://proxy.abuyun.com:9020", "download_slot": "www.baidu.com", "download_latency": 0.8840000629425049, "depth": 8}
2017-12-12 15:57:18 [scrapy.extensions.logstats] INFO: Crawled 2 pages (at 2 pages/min), scraped 1 items (at 1 items/min)
第五步：啟動腳本，將redis中的items，轉(zhuǎn)儲到mongodb中。
這部分代碼，請參照：scrapy-redis分布式爬蟲的搭建過程（代碼篇）
5. 環(huán)境安裝以及代碼編寫
5.1. scrapy-redis環(huán)境安裝
pip install scrapy-redis
代碼位置：后面可以進(jìn)行修改定制。
5.2. scrapy-redis分布式爬蟲編寫
第一步，下載官網(wǎng)的示例代碼，地址：https://github.com/rmax/scrapy-redis （需要安裝過git）
git clone https://github.com/rmax/scrapy-redis.git
官網(wǎng)提供了兩種示例代碼，分別繼承自 Spider + redis 和 CrawlSpider + redis
第二步，根據(jù)官網(wǎng)提供的示例代碼進(jìn)行修改。
到此這篇關(guān)于scrapy-redis分布式爬蟲的搭建過程(理論篇)的文章就介紹到這了,更多相關(guān)scrapy redis分布式爬蟲搭建內(nèi)容請搜索服務(wù)器之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持服務(wù)器之家！
原文鏈接：https://blog.csdn.net/zwq912318834/article/details/78854571
