分布式爬虫
概念:我们需要搭建一个分布式的集群,让其对一组资源进行分布联合爬取
作用:提升爬取数据的效率
如何实现分布式:
安装一个scrapy-redis的组件
原生的scrapy是不可以实现分布式爬虫的,必须要让scrapy结合着scrapy-redis组件一起实现分布式爬虫
scrapy-redis组件作用:
可以给原生的scrapy框架提供可以被共享的管道和调度器
实现流程:
一、 创建一个工程
二、创建一个基于CrawlSpider的爬虫文件
三、修改当前的爬虫文件:
导包:from scrapy_redis.spiders import RedisCrawlSpider
将allowed_domains和start_urls注释掉
添加一个新属性:redis_key = 'sun' 可以被共享的调度器队列的名称
编写数据解析相关的操作
将当前爬虫类的父类修改成RedisCrawlSpider
四、修改配置文件settings:
1、指定使用可以被共享的管道:
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 400
}
2、指定调度器:
# 增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
SCHEDULER_PERSIST = True
3、指定redis服务器:
#指定redis服务器
REDIS_HOST = '127.0.0.1' # redis远程服务器的ip
REDIS_PORT = 6379
# 指定管道
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 400
}
# 指定调度器
# 增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
SCHEDULER_PERSIST = True
#指定redis服务器
REDIS_HOST = '127.0.0.1' # redis远程服务器的ip
REDIS_PORT = 6379
五、redis相关操作配置:
1、配置redis的配置文件
linux或者mac:redis.conf
windows:redis.windows.conf
2、打开配置文件修改:
将bind 127.0.0.1进行删除
关闭保护模式:protected-mode yes改为no
3、结合着配置文件开启redis服务:
redis-server 配置文件
4、启动客户端:
redis-cli
六、执行工程
scrapy renspider xxx.py
七、向调度器的队列中放入一个起始的url
调度器的队列在redis的客户端中
指令:lpush xxx(redis_key) www.xxx.com(起始的url)
八、爬取到的数据存储在了redis的proName:items这个数据结构中