分布式爬虫

# 分布式概念:

使用多台机器组成一个分布式的机群，在机群中运行同一组程序，进行联合数据的爬取。

# 原生scrapy无法实现分布式原因:

- 原生的scrapy中的调度器不可以被共享

- 原生的scrapy的管道不可以被共享

# 使用scrapy实现分布式思路:

- 为原生的scrapy框架提供共享的管道和调度器

- pip install scrapy_redis

- 1. 创建工程: scrapy startproject projectname

- 2. 爬虫文件: scrapy genspider -t crawl spidername www.baidu.com

- 3. 修改爬虫文件：
    - 3.1 导包：from scrapy_redis.spiders import RedisCrawlSpider
    - 3.2 将当前爬虫类的父类进行修改RedisCrawlSpider
    - 3.3 allowed_domains，start_url注释掉，添加一个新属性redis_key='qn'(调度器        队列的
名称)
    - 3.4 指定redis_key = 'xxx', 即共享调度器队列名字
    - 3.4 数据解析，将解析的数据封装到item中然后向管道提交
- 4. 配置文件的编写：
    - 4.1 指定管道：
    ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 400
    }
    - 4.2 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
    - 4.3 指定具体的redis：
REDIS_HOST = 'redis服务的ip地址'
REDIS_PORT = 6379
- 5. 修改Redis配置并指定配置启动：
- #bind 127.0.0.1
- protected-mode no
- 开启redis服务(携带redis的配置文件：redis-server ./redis.windows.conf),和客户端
(redis-cli)：
- 6. 启动程序：scrapy runspider xxx.py(需要进入spider文件夹)
- 7. 向调度器队列中扔入一个起始的url（redis的客户端）：lpush xxx www.xxx.com
(xxx表示的就是redis_key的值)