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)