分布式爬虫系统

分布式爬虫系统

一、架构

二、原理

 　　1.分布式原理：

　　　　利用scrapy-redis实现分布式，利用主从模式，把自己核心服务器称为master，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，需要首先给定一些start_urls，爬虫首先访问start_urls里面的url，再根据具体逻辑对里面的元素、或者其他二级、三级页面进行抓取。而要实现分布式，需要在start_urls里面做文章。

　　　　在master上搭建一个redis数据库(这个数据库只用于url的存储，不用于存储数据)，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。这样的设置就是，尽管有多个slave，然而获取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scarpy-redis自身的队列机制，slave获取链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结构汇总到服务器上(这时获取的数据不在是redis，而是mongodb、mysql)