scrapy-redis框架
scrapy-redis
一个三方的基于redis的分布式爬虫框架,配合scrapy使用,让爬虫具有了分布式爬取的功能。
github地址:
https://github.com/darkrho/scrapy-redis
分布式原理
scrapy-redis实现分布式,其实从原理上来说很简单,这里为描述方便,我们把自己的核心服务器称为master,而把用于跑爬虫程序的机器称为slave
我们知道,采用scrapy框架抓取网页,我们需要首先给定它一些start_urls,爬虫首先访问start_urls里面的url,再根据我们的具体逻辑,对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式,我们只需要在这个starts_urls里面做文章就行了
我们在master上搭建一个redis数据库`(注意这个数据库只用作url的存储),并对每一个需要爬取的网站类型,都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是,尽管有多个slave,然而大家获取url的地方只有一个,那就是服务器master上的redis数据库
并且,由于scrapy-redis自身的队列机制,slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后,再把获取的结果汇总到服务器上
好处
程序移植性强,只要处理好路径问题,把slave上的程序移植到另一台机器上运行,基本上就是复制粘贴的事情
分布式爬虫的实现
-
使用两台机器,一台是win10,两台是centos6,分别在两台机器上部署scrapy来进行分布式抓取一个网站
-
win10的ip地址为192.168.31.245,用来作为redis的master端,centos的机器作为slave
-
master的爬虫运行时会把提取到的url封装成request放到redis中的数据库:“dmoz:requests”,并且从该数据库中提取request后下载网页,再把网页的内容存放到redis的另一个数据库中“dmoz:items”
-
slave从master的redis中取出待抓取的request,下载完网页之后就把网页的内容发送回master的redis
-
重复上面的3和4,直到master的redis中的“dmoz:requests”数据库为空,再把master的redis中的“dmoz:items”数据库写入到mongodb中
-
master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹(使用哈希函数将url运算后的结果),是防止重复抓取的
scrapy-redis框架的安装
pip install scrapy-redis
部署scrapy-redis
常用设置
# 启用调度将请求存储进redis
# 必须
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 确保所有spider通过redis共享相同的重复过滤。
# 必须
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 指定连接到Redis时要使用的主机和端口。
# 必须
REDIS_HOST = 'localhost'
REDIS_PORT = 6379
# 不清理redis队列,允许暂停/恢复抓取。
# 可选
#SCHEDULER_PERSIST = True
官方文档:https://scrapy-redis.readthedocs.io/en/stable/
redis中存储的数据
spidername:items
list类型,保存爬虫获取到的数据item内容是json字符串。
spidername:dupefilter
set类型,用于爬虫访问的URL去重内容是40个字符的url的hash字符串
spidername:start_urls
list类型,用于接收redisspider启动时的第一个url
spidername:requests
zset类型,用于存放requests等待调度。内容是requests对象的序列化字符串。
slave端
在windows上的settings.py文件的最后增加如下一行
REDIS_HOST = 'localhost' #master IP
REDIS_PORT = 6379
配置好了远程的redis地址后启动两个爬虫(启动爬虫没有顺序限制)
给爬虫增加配置信息
# 配置过滤器
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 配置调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"
ITEM_PIPELINES = {
'example.pipelines.ExamplePipeline': 300,
'scrapy_redis.pipelines.RedisPipeline': 400,
}
运行程序
运行slave
scrapy runspider 文件名.py
开起没有先后顺序
运行master
lpush (redis_key) url #括号不用写
说明
- 这个命令是在redis-cli中运行
- redis_key 是 spider.py文件中的redis_key的值
- url 开始爬取地址,不加双引号
数据导入到mongodb中
等到爬虫结束后,如果要把数据存储到mongodb中,就应该修改master端process_items.py文件,如下
import redis
import pymongo
def main():
r = redis.Redis(host='192.168.31.245',port=6379,db=0)
client = pymongo.MongoClient(host='localhost', port=27017)
db = client.dmoz
sheet = db.sheet
while True:
source, data = r.blpop(["dmoz:items"])
item = json.loads(data)
sheet.insert(item)
if __name__ == '__main__':
main()
数据导入到MySQL中
等到爬虫结束后,如果要把数据存储到mongodb中,就应该修改master端process_items.py文件,如下
import redis
import pymysql
import json
def process_item():
r_client = redis.Redis(host="127.0.0.1",port=6379,db =0)
m_client = pymysql.connect(host="127.0.0.1",port=3306,user="root",passowrd="123456",db="lianjia")
source,data =r_client.blpop("lianjia:item")
item = json.loads(data)
cursor = m_client.cursor()
values = []
cursor.execute(sql,values)