scrapy-redis介绍(一)
scrapy是python里面一个非常完善的爬虫框架,实现了非常多的功能,比如内存检测,对象引用查看,命令行,shell终端,还有各种中间件和扩展等,相信开发过scrapy的朋友都会觉得这个框架非常的强大。但是它有一个致命的缺点,不支持分布式。所以本文介绍的是scrapy_redis,继承了scrapy的所有优点,还支持分布式。
1.安装scrapy
安装scrapy非常简单:
sudo pip install scrapy
sudo pip install scrapy_redis
#如果下载的不顺利,可以试试这样,换一个国内的源,下载速度会飙升
sudo pip install --index https://pypi.mirrors.ustc.edu.cn/simple/ scrapy
- 1
- 2
- 3
- 4
- 5
在这里建议开发scrapy_redis使用python 2.7版本,虽然也支持3.x,但总觉得会出bug.
安装完成,选择一个恰当的目录,并进入那个目录,运行构建项目的命令行即可自动为我们创建一个spider目录:
scrapy startproject myspider
- 1
简单的一行即可完成。scrapy有非常多的命令行,大家自行去查询官方文档。
2.scrapy_redis原理
scrapy-redis原理:
1.spider解析下载器下载下来的response,返回item或者是links
2.item或者links经过spidermiddleware的process_spider_out()方法,交给engine。
3.engine将item交给itempipeline,将links交给调度器
4.在调度器中,先将request对象利用scrapy内置的指纹函数,生成一个指纹对象
5.如果request对象中的dont_filter参数设置为False,并且该request对象的指纹不在信息指纹的队列中,那么就把该request对象放到优先级的队列中
6.从优先级队列中获取request对象,交给engine
7.engine将request对象交给下载器下载,期间会通过downloadmiddleware的process_request()方法
8.下载器完成下载,获得response对象,将该对象交给engine,期间会通过downloadmiddleware的process_response()方法
9.engine将获得的response对象交给spider进行解析,期间会经过spidermiddleware的process_spider_input()方法
10.从第一步开始循环
上面的十个步骤就是scrapy-redis的整体框架,与scrapy相差无几。本质的区别就是,将scrapy的内置的去重的队列和待抓取的request队列换成了redis的集合。就这一个小小的改动,就使得了scrapy-redis支持了分布式抓取。
在redis的服务器中,会至少存在三个队列:
a.用于请求对象去重的集合,队列的名称为spider.name:dupefilter,其中spider.name就是我们自定义的spider的名字,下同。
b.待抓取的request对象的有序集合,队列的名称为spider.name:requests
c.保存提取到item的列表,队列的名称为spider.name:items
d.可能存在存放初始url的集合或者是列表,队列的名称可能是spider.name:start_urls
如下图所示
我自定义了一个spider,name属性为myspider。当开始运行这个spider的时候,就可以看到在redis的服务器中出现了三个队列的名字,分别用来去重request对象,存储提取到的item,存放待抓取的request对象。
那至于spider.name:start_urls这个队列,里面存放的是我们第一次启动爬虫存放的url,注意是url,而不是scrapy.http.Request对象。如果我们只向这个队列中存放一条初始的url,那么这个队列只会短暂的存在。因为redis中,如果一个key中没有数据了,那么这个key也就消失了。
当然,如果你本身就很了解redis的话,这对于你来说,根本就没有任何难度。
3.编写scrapy_redis爬虫
在编写基于scrapy-redis的爬虫的时候,我们既可以继承自scrapy.spiders.Spider这个类,又或者是scrapy.spiders.CrawlSpider,也可以继承自scrapy-redis的类,比如scrapy_redis.spiders.RedisSpider。
子类化scrapy自身的类时,还是按照scrapy给出的列子一样,非常的简单:
from scrapy.spiders import Spider
class MySpider(Spider):
name = 'myspider'
allowed_domains = ['www.example.com']
start_urls = ['http://www.example.com']
def parse(self, response):
#do_something_with_response
这里有一点需要明确一点,当我们没有为request对象显示的指定一个回调函数时,会使用默认的parse()作为回调函数。
运行上面的代码,我们就可以在redis服务器看到前面所说的队列了。
如果我们是子类化scrapy-redis的spider时,情况有些许的不同:
from scrapy_redis,spiders import RedisSpider
class MySpider(RedisSpider):
name = 'myspider'
redis_key = 'myspider:start_urls'
allowed_domains = ['www.example.com']
def parse(self, response):
#do_something_with_response
这里我们并没有指定初始url,所以这就需要我们手动的往redis的初始url队列中添加url,队列的名称为myspider:start_urls.默认情况下我们采用集合的命令进行添加,要不然会报错的。
sadd myspider:start_urls http://www.example.com
- 1
通过往这个队列中添加初始url,爬虫就会开始运行了。直到没有任何request对象,或者待抓取的url。