原文轉載自「劉悅的技術博客」https://v3u.cn/a_id_83
Scrapy是一個比較好用的Python爬蟲框架,你只需要編寫幾個組件就可以實現網頁數據的爬取。但是當我們要爬取的頁面非常多的時候,單個服務器的處理能力就不能滿足我們的需求了(無論是處理速度還是網絡請求的併發數),這時候分佈式爬蟲的優勢就顯現出來。
而Scrapy-Redis則是一個基於Redis的Scrapy分佈式組件。它利用Redis對用於爬取的請求(Requests)進行存儲和調度(Schedule),並對爬取產生的項目(items)存儲以供後續處理使用。scrapy-redi重寫了scrapy一些比較關鍵的代碼,將scrapy變成一個可以在多個主機上同時運行的分佈式爬蟲。
說白了,就是使用redis來維護一個url隊列,然後scrapy爬蟲都連接這一個redis獲取url,且當爬蟲在redis處拿走了一個url後,redis會將這個url從隊列中清除,保證不會被2個爬蟲拿到同一個url,即使可能2個爬蟲同時請求拿到同一個url,在返回結果的時候redis還會再做一次去重處理,所以這樣就能達到分佈式效果,我們拿一臺主機做redis 隊列,然後在其他主機上運行爬蟲.且scrapy-redis會一直保持與redis的連接,所以即使當redis 隊列中沒有了url,爬蟲會定時刷新請求,一旦當隊列中有新的url後,爬蟲就立即開始繼續爬
首先分別在主機和從機上安裝需要的爬蟲庫
pip3 install requests scrapy scrapy-redis redis
在主機中安裝redis
#安裝redis
yum install redis
啓動服務
systemctl start redis
查看版本號
redis-cli --version
設置開機啓動
systemctl enable redis.service
修改redis配置文件 vim /etc/redis.conf 將保護模式設爲no,同時註釋掉bind,爲了可以遠程訪問,另外需要注意阿里雲安全策略也需要暴露6379端口
#bind 127.0.0.1
protected-mode no
改完配置後,別忘了重啓服務才能生效
systemctl restart redis
然後分別新建爬蟲項目
scrapy startproject myspider
在項目的spiders目錄下新建test.py
#導包
import scrapy
import os
from scrapy_redis.spiders import RedisSpider
#定義抓取類
#class Test(scrapy.Spider):
class Test(RedisSpider):
#定義爬蟲名稱,和命令行運行時的名稱吻合
name = "test"
#定義redis的key
redis_key = 'test:start_urls'
#定義頭部信息
haders = {
'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/73.0.3683.86 Chrome/73.0.3683.86 Safari/537.36'
}
def parse(self, response):
print(response.url)
pass
然後修改配置文件settings.py,增加下面的配置,其中redis地址就是在主機中配置好的redis地址:
BOT_NAME = 'myspider'
SPIDER_MODULES = ['myspider.spiders']
NEWSPIDER_MODULE = 'myspider.spiders'
#設置中文編碼
FEED_EXPORT_ENCODING = 'utf-8'
# scrapy-redis 主機地址
REDIS_URL = 'redis://[email protected]:6379'
#隊列調度
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
#不清除緩存
SCHEDULER_PERSIST = True
#通過redis去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#不遵循robots
ROBOTSTXT_OBEY = False
最後,可以在兩臺主機上分別啓動scrapy服務
scrapy crawl test
此時,服務已經起來了,只不過redis隊列中沒有任務,在等待狀態
進入主機的redis
redis-cli
將任務隊列push進redis
lpush test:start_urls http://baidu.com
lpush test:start_urls http://chouti.com
可以看到,兩臺服務器的爬蟲服務分別領取了隊列中的任務進行抓取,同時利用redis的特性,url不會重複抓取
爬取任務結束之後,可以通過flushdb命令來清除地址指紋,這樣就可以再次抓取歷史地址了。
原文轉載自「劉悅的技術博客」 https://v3u.cn/a_id_83