scrapy分布式抓取基本设置

scrapy本身并不是一个为分布式爬取而设计的框架，但第三方库scrapy-redis为其扩展了分布式抓取的功能，在分布式爬虫框架中，需要使用某种通信机制协调各个爬虫工作

（1）当前的爬取任务，下载+提取数据（分配任务）

（2）当前爬取任务是否已经被其他爬虫执行过（任务去重）

（3）如何存储怕去到的数据（数据存储）

scrapy-redis利用Redis数据库作为多个爬虫的数据共享

下载源码：

$git clone https://github.com/rolando/scrapy-redis

 

分布式需要解决两个基本问题，

1分配爬取任务，分配每个爬虫不同任务；2汇总爬取数据，将所有数据汇总

scrapy-redis为多个爬虫分配爬取任务方式是：让所有的爬虫共享一个存在于Redis数据库中的请求队列（替代了每个爬虫独立的请求队列），每个爬虫从请求队列中获取请求，下载并解析页面，将解析出来的新请求加入到请求队列，每个爬虫既是生产者又是消费者。重新实现了一下的组件（1）基于Redis的请求队列（2）基于Redis的请求去重过滤器（3）基于以上两个组件的调度器。

 

 

搭建环境

首先搭建scrapy-redis分布式爬虫环境，假设三台A(116.29.00.000)、B、C

三台安装scrapy和scrapy-redis

pip install scrapy

pip install scrapy-redis

 

选择其中A(116.29.00.000)为搭建所有爬虫使用的Redis数据库

1.安装redis-server

　　sudo apt-get install redis-server

2.在Redis配置文件中修改服务器的绑定地址，以确保数据库可被所有爬虫访问到

　　sudo vi  /etc/redis/redis.conf

　　　　....

　　　　#bin 127.0.0.1

　　　　bin 0.0.0.0

　　

3.启动Redis服务器

　　sudo service redis-server restart

 

测试能否访问到 ：redis-cli -h 166.29.00.00 ping

 

复制一份项目代码

在配置文件settings.py中添加scrapy-redis的相关配置

REDIS_URL = 'redis://116.35.00.00:6379'   #指定爬虫需要的使用的Redis数据库

SCHEDULER= 'scrapy_redis.scheduler.Scheduler'       #使用scrapy_redis的调度器替代原有的调度器

DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter’    #使用scrapy_redis的RFPDupeFilter作为去重过滤器

 

ITEM_PIPELINES={

'scrapy_redis.pipilines.RedisPipeline':300

}#启用scrapy_redis的RedisPipeline将爬取到的数据汇总到Redis数据库

 

 

将单机版spider改为分布式spider

 

from scrapy_redis.spider import RedisSpider

class NameSpider(RedisSpider):

#将start_urls注释
#start_urls=['']

 

运行之后，由于Redis起始的列表和请求队列都是空的，此时需要在A中设置起爬点，

redis-cli -h 116.29.00.000

lpush name:start_urls 'http://........'