爬蟲功能:
此項目實現將單機的新浪微博爬蟲重構成分佈式爬蟲。
Master機只管任務調度,不管爬數據;Slaver機只管將Request拋給Master機,需要Request的時候再從Master機拿。
環境、架構:
開發語言:Python2.7
開發環境:64位Windows8系統,4G內存,i7-3612QM處理器。
數據庫:MongoDB 3.2.0、Redis 3.0.501
(Python編輯器:Pycharm;MongoDB管理工具:MongoBooster;Redis管理工具:RedisStudio)
爬蟲框架使用 Scrapy,使用 scrapy_redis 和 Redis 實現分佈式。
分佈式中有一臺機充當Master,安裝Redis進行任務調度,其餘機子充當Slaver只管從Master那裏拿任務去爬。原理是:Slaver運行的時候,scrapy遇到Request並不是交給spider去爬,而是統一交給Master機上的Redis數據庫,spider要爬的Request也都是從Redis中取來的,而Redis接收到Request後先去重再存入數據庫,哪個Slaver要Request了再給它,由此實現任務協同。
使用說明:
Python需要安裝好Scrapy、pymongo、json、base64、requests。
Master機只需要安裝好Redis即可(內存要求大點),Slaver機需要安裝python環境和MongoDB來存儲數據。如果想要將數據都存儲到一臺機子上,直接改一下爬蟲程序(pipeline)裏面MongoDB的IP即可,或者建議搭建一個MongoDB集羣。Redis和MongoDB都是安裝好即可,不需要配置。
將你用來登錄的微博賬號和密碼加入到 cookies.py 文件中,裏面已經有兩個賬號作爲格式參考了。
可以修改scrapy裏面setting的設置,例如間隔時間、日誌級別、redis的IP等等。
以上配置完以後運行 Begin.py 即可。重申Master機不需要跑程序,它的功能是利用Redis進行任務調度。Slaver機跑爬蟲,新增一臺Slaver機,只需要把python環境和MongoDB搭建好,然後將代碼複製過去直接運行就行了。
項目源碼
# encoding=utf-8
import json
import base64
import requests
"""
輸入你的微博賬號和密碼,可去淘寶買,一元七個。
建議買幾十個,微博反扒的厲害,太頻繁了會出現302轉移。
或者你也可以把時間間隔調大點。
"""
myWeiBo = [
{'no': '[email protected]', 'psw': 'a123456'},
{'no': '[email protected]', 'psw': 'a123456'},
]
def getCookies(weibo):
""" 獲取Cookies """
cookies = []
loginURL = r'https://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.4.15)'
for elem in weibo:
account = elem['no']
password = elem['psw']
username = base64.b64encode(account.encode('utf-8')).decode('utf-8')
postData = {
"entry": "sso",
"gateway": "1",
"from": "null",
"savestate": "30",
"useticket": "0",
"pagerefer": "",
"vsnf": "1",
"su": username,
"service": "sso",
"sp": password,
"sr": "1440*900",
"encoding": "UTF-8",
"cdult": "3",
"domain": "sina.com.cn",
"prelt": "0",
"returntype": "TEXT",
}
session = requests.Session()
r = session.post(loginURL, data=postData)
jsonStr = r.content.decode('gbk')
info = json.loads(jsonStr)
if info["retcode"] == "0":
print "Get Cookie Success!( Account:%s )" % account
cookie = session.cookies.get_dict()
cookies.append(cookie)
else:
print "Failed!( Reason:%s )" % info['reason']
return cookies
cookies = getCookies(myWeiBo)
print "Get Cookies Finish!( Num:%d)" % len(cookies)