scrapy-redis分佈式爬蟲的搭建過程（理論篇）

scrapy-redis分佈式爬蟲的搭建過程（理論篇）

1. 背景

• Scrapy 是一個通用的爬蟲框架，但是不支持分佈式，Scrapy-redis是爲了更方便地實現Scrapy分佈式爬取，而提供了一些以redis爲基礎的組件(僅有組件)。

2. 環境

• 系統：win7
• scrapy-redis
• redis 3.0.5
• python 3.6.1

3. 原理

3.1. 對比一下scrapy 和 Scrapy-redis 的架構圖。

• scrapy架構圖：
  

• scrapy-redis 架構圖：
  

  • 多了一個redis組件，主要影響兩個地方：第一個是調度器。第二個是數據的處理。

3.2. Scrapy-Redis分佈式策略。

• 作爲一個分佈式爬蟲，是需要有一個Master端（核心服務器）的，在Master端，會搭建一個Redis數據庫，用來存儲start_urls、request、items。Master的職責是負責url指紋判重，Request的分配，以及數據的存儲（一般在Master端會安裝一個mongodb用來存儲redis中的items）。出了Master之外，還有一個角色就是slaver（爬蟲程序執行端），它主要負責執行爬蟲程序爬取數據，並將爬取過程中新的Request提交到Master的redis數據庫中。
• 如上圖，假設我們有四臺電腦：A， B， C， D ，其中任意一臺電腦都可以作爲 Master端 或 Slaver端。整個流程是：
  
  • 首先Slaver端從Master端拿任務（Request、url）進行數據抓取，Slaver抓取數據的同時，產生新任務的Request便提交給 Master 處理；
  • Master端只有一個Redis數據庫，負責將未處理的Request去重和任務分配，將處理後的Request加入待爬隊列，並且存儲爬取的數據。

• Scrapy-Redis默認使用的就是這種策略，我們實現起來很簡單，因爲任務調度等工作Scrapy-Redis都已經幫我們做好了，我們只需要繼承RedisSpider、指定redis_key就行了。

• 缺點是，Scrapy-Redis調度的任務是Request對象，裏面信息量比較大（不僅包含url，還有callback函數、headers等信息），可能導致的結果就是會降低爬蟲速度、而且會佔用Redis大量的存儲空間，所以如果要保證效率，那麼就需要一定硬件水平。

4. 運行流程

• 第一步：在slaver端的爬蟲中，指定好 redis_key，並指定好redis數據庫的地址，比如：

class MySpider(RedisSpider):
    """Spider that reads urls from redis queue (myspider:start_urls)."""
    name = 'amazon'
    redis_key = 'amazonCategory:start_urls'

# 指定redis數據庫的連接參數
'REDIS_HOST': '172.16.1.99',
'REDIS_PORT': 6379,

• 第二步：啓動slaver端的爬蟲，爬蟲進入等待狀態，等待 redis 中出現 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：啓動腳本，往redis數據庫中填入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'

# 創建redis數據庫連接
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據。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：啓動腳本，將redis中的items，轉儲到mongodb中。

這部分代碼，請參照：scrapy-redis分佈式爬蟲的搭建過程（代碼篇）

5. 環境安裝以及代碼編寫

5.1. scrapy-redis環境安裝

pip install scrapy-redis

• 代碼位置：後面可以進行修改定製。
  

5.2. scrapy-redis分佈式爬蟲編寫

• 第一步，下載官網的示例代碼，地址：https://github.com/rmax/scrapy-redis （需要安裝過git）

git clone https://github.com/rmax/scrapy-redis.git

• 官網提供了兩種示例代碼，分別繼承自 Spider + redis 和 CrawlSpider + redis
  

• 第二步，根據官網提供的示例代碼進行修改。