分布式爬虫

如何实现分布式爬虫

• scrapy的url队列存在哪里？ （单机内存）

• redis是支持分布式的内存数据库

• 可以为scrapy做一个新的调度器(redis)，替换scapy的默认调度器, 从而实现分布式功能。

scrapy-redis

• scrapy-redis是scrapy的一个组件（插件），和 scrapy、redis配合。从而实现支持分布式爬虫

• 负责分布式爬虫的任务调度

• 依赖于Scrapy和redis。

• 主要组件：Scheduler、Dupefilter、Pipeline和Spider。

【没有使用分布式的时候】

url存在本机内容中，如： start_urls= ['http://www.dushu.com' ] yield scrapy.Request(url)

【使用分布式的时候】

没有了start_urls, 而是使用redis_key,

url存在redis中 命令行执行：redis-cli lpush myspider:start_urls 'http://www.xxx.com' 或者使用脚本执行： rds =Redis('127.0.0.1',6379)  rds.lpush(...)

搭建分布式

master服务器的配置

1. 安装scrapy、scrapy-redis、redis。

2. 修改master的redis配置文件redis.conf：

   1）将 bind 127.0.0.1 修改为bind 0.0.0.0。（注意防火墙设置）

3. 重启redis-server
4. 在爬虫项目文件settings.py中添加配置信息

REDIS_HOST = 'localhost'
REDIS_PORT = 6379

slave端的配置

1. 在爬虫项目的settings.py文件中配置

REDIS_URL = 'redis://redis_server ip:6379'

master和slave端中共同的配置

在settings.py中启用redis存储

ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 400,
}

运行分布式爬虫

# scrapy runspider myspider_redis.py
scrapy crawl myspider

redis-cli -h redis_server_ip 
redis-cli> lpush myspider_redis:start_urls http://www.xxxxxx.com/aaa/

详细参考官方文档：https://github.com/rmax/scrapy-redis