最近在搞爬虫，总听说scrapy多么多么强大，个人认为初学者先自己去理解爬虫的几个重要的点，手动去写爬虫，等到熟悉过后觉得没有提升了再去看框架之类的东西。这里简单介绍下(把CSDN上边一位大侠的文章的记录在此)。
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。
这里跳过最基础的安装 ，直接记录原理
1.scrapy_redis原理
①.spider解析下载器下载下来的response，返回item或者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：
- 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。
- 待抓取的request对象的有序集合，队列的名称为spider.name:requests
- 保存提取到item的列表，队列的名称为spider.name:items
- 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
自定义了一个spider,name属性为pagespider。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。
2.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 PageSpider(Spider):
name = 'pagespider'
allowed_domains = ['www.example.com']
start_urls = ['http://www.example.com']
def parse(self, response):
pass
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。
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 PageSpider(RedisSpider):
name = 'pagespider'
redis_key = 'myspider:start_urls'
allowed_domains = ['www.example.com']
def parse(self, response):
pass
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。
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。
网友评论