（一）scrapy_redis 简单介绍
scrapy_redis基于scrapy框架的基础上集成了redis，通过了redis实现了去重，多台服务器进行分布式的爬取数据。
（二）scrapy_redis 简单配置
（1）settings.py 文件中加入两行代码：
#启用Redis调度存储请求队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
#确保所有的爬虫通过Redis去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
image.png
（2）spider文件中把scrapy.Spider改为RedisSpider； 加入redis_key
image.png
以上就是scrapy_redis在scrapy框架中的简单配置，更多的配置内容，请查看以往博客介绍
（三）房天下爬虫代码的编写
（一）获取的内容是优选房源
image.png
起始页：https://m.fang.com/zf/bj/?jhtype=zf
因为这个页面是下滑刷新的，并没有点击下一页的操作，而是动态JS进行加载的，我们可以使用审查元素中的网络，查看接口请求信息
image.png
其中的一个链接：
我们可以看到 page=3 只要我们操控这个变量就完全可以了。
但是：当我们打开上面的链接的时候，出现一堆的乱码：
image.png
（二）我们在parse()方法中使用decode 方法解码一下，就可以显示正常了。
def parse(self,response):
print(response.body.decode('utf-8'))
敲黑板！！！
因为这里用了分布式，我使用的方法是一台专门爬url，就是列表页的url，另外一台专门进行列表页url的解析工作。
基于现在的情况，我现在只有一台电脑，所以我进行了两个爬虫进行运行，一个进行url的爬取，一个进行页面的解析工作。
（1）url爬取：
image.png
（2）页面解析：
image.png
（1）爬取url的spider代码：
# -*- coding: utf-8 -*-
# @Time : 2018/4/30 14:14
# @Author : 蛇崽
# @Email : 643435675@QQ.com
# @File : fangtianxia.py（房天下）
import scrapy
import redis
from scrapy_redis.spiders import RedisSpider
from zhilianspider.settings import REDIS_HOST,REDIS_PWD
class FangtianxiaSpider(RedisSpider):
name = 'fangtianxia'
allowed_domains = ['m.fang.com']
"""
44684 p:16 index 3192
"""
# start_urls = ['https://m.fang.com/zf/?purpose=%D7%A1%D5%AC&jhtype=zf&city=%B1%B1%BE%A9&renttype=cz&c=zf&a=ajaxGetList&city=bj&r=0.7782449595236586&page=1']
base_url = 'https://m.fang.com/zf/?purpose=%D7%A1%D5%AC&jhtype=zf&city=%B1%B1%BE%A9&renttype=cz&c=zf&a=ajaxGetList&city=bj&r=0.7782449595236586&page='
# 获取到redis
pool = redis.ConnectionPool(host=REDIS_HOST, port=6379, db=0, password=REDIS_PWD)
redis = redis.StrictRedis(connection_pool=pool)
for index in range(1,3192):
star_url = base_url+str(index)
redis.lpush('fangtianxia:start_urls',star_url)
redis_key = 'fangtianxia:start_urls'
def parse(self,response):
#print(response.body.decode('utf-8'))
url = response.xpath("//*[@class='tongjihref']/@href").extract()
for v_url in url:
print(v_url)
n_v_url = 'https:'+v_url
print('nvurl ',n_v_url)
self.redis.rpush('fangtianxia:house_urls',n_v_url)
（2）解析页面的代码
# -*- coding: utf-8 -*-
# @Time : 2018/4/30 14:14
# @Author : 蛇崽
# @Email : 643435675@QQ.com
# @File : fangtianxia.py（房天下）
import scrapy
import redis
from scrapy_redis.spiders import RedisSpider
from zhilianspider.items import FanItem
from zhilianspider.settings import REDIS_HOST,REDIS_PWD
class FangtianxiaSpider(RedisSpider):
name = 'fangtianxia_down'
allowed_domains = ['m.fang.com']
redis_key = 'fangtianxia:house_urls'
# start_urls = ['https://m.fang.com/zf/bj/JHAGT_404572021_11444434x1010063105_163711602.html']
def parse(self,response):
item = FanItem()
item["title"] = response.xpath('//*[@class="xqCaption mb8"]/h1/text()')[0].extract()
item["area"] = response.xpath('//*[@class="xqCaption mb8"]/p/a[2]/text()')[0].extract()
item["location"] = response.xpath('//*[@class="xqCaption mb8"]/p/a[3]/text()')[0].extract()
item["housing_estate"] = response.xpath('//*[@class="xqCaption mb8"]/p/a[1]/text()')[0].extract()
item["rent"] = response.xpath('//*[@class="f18 red-df"]/text()')[0].extract()
item["rent_type"] = response.xpath('//*[@class="f12 gray-8"]/text()')[0].extract()
item["floor_area"] = response.xpath('//*[@class="flextable"]/li[3]/p/text()')[0].extract()
item["house_type"] = response.xpath('//*[@class="flextable"]/li[2]/p/text()')[0].extract()
item["floor"] = response.xpath('//*[@class="flextable"]/li[4]/p/text()')[0].extract()
item["orientations"] = response.xpath('//*[@class="flextable"]/li[5]/p/text()')[0].extract()
item["decoration"] = response.xpath('//*[@class="flextable"]/li[6]/p/text()')[0].extract()
item["house_info"] = response.xpath('//*[@class="xqIntro"]/p/text()')[0].extract()
item["house_tags"] = ",".join(response.xpath('//*[@class="stag"]/span/text()').extract())
yield item
（三）items.py代码：
class FanItem(scrapy.Item):
# 标题
title = scrapy.Field()
# 区（朝阳）
area = scrapy.Field()
# 区域 (劲松)
location = scrapy.Field()
# 小区 （劲松五区）
housing_estate = scrapy.Field()
# 租金
rent = scrapy.Field()
# 建筑面积
floor_area = scrapy.Field()
# 户型
house_type = scrapy.Field()
# 楼层
floor = scrapy.Field()
# 朝向
orientations = scrapy.Field()
# 装修
decoration = scrapy.Field()
# 房源描述
house_info = scrapy.Field()
# 标签
house_tags = scrapy.Field()
# 租房类型（押一付三etc）
rent_type = scrapy.Field()
（四）数据展示
现在的数据还没有爬完，到现在redis的详情url已经是60万的数据了，怕要是撑爆了。
image.png
mongo数据库里面的数据是3万左右：
image.png
总结一下：scrapy_redis 中的url爬取，这是用这个框架以来第一次用的这种方式，或许这种方式更支持分布式操作，一个爬url，多个通过url进行页面的解析操作，比较解析页面是比较费时的。
其余代码都是跟前面爬取智联招聘的代码都差不多一样的，这里就不贴出来了，完整的代码我会上传上来。
网友评论