由于Scrapy_redis已经为封装了大部分的流程，所以使用它不会有任何难度。
1.启动Redis
首先需要把Redis启动起来。使用Mac OS/Linux的同学在终端下面输入以下命令并回车：
redis-server
使用Windows的同学，在CMD中cd进入存放Redis的文件夹，并运行：
redis-server.exe
2.修改爬虫
在前面的课程中，我们爬虫是继承自scrapy.Spider这个父类。这是Scrapy里面最基本的一个爬虫类，只能实现基本的爬虫功能。现在需要把它替换掉，从而实现更高级的功能。
请对比一下下面这段使用了Scrapy_redis的代码与前面read color网站爬虫的代码头部有什么不同：
from scrapy_redis.spiders
import RedisSpider
class ReadColorSpider(RedisSpider):
name = "readcolorspider"
redis_key = 'readcolorspider:start_urls'
可以看出，这里爬虫的父类已经改成了RedisSpider，同时多了一个：
redis_key = 'readcolorspider:start_urls'
这里的redis_key实际上就是一个变量名，之后爬虫爬到的所有URL都会保存到Redis中这个名为“readcolorspider:start_urls”的列表下面，爬虫同时也会从这个列表中读取后续页面的URL。这个变量名可以任意修改。
除了这两点以外，在爬虫部分的其他代码都不需要做修改。
实际上，这样就已经建立了一个分布式爬虫，只不过现在只有一台电脑。
3.修改设置
现在已经把三轮车换成了挖掘机，但是Scrapy还在按照指挥三轮车的方式指挥挖掘机，所以挖掘机还不能正常工作。因此修改爬虫文件还不行，Scrapy还不能认识这个新的爬虫。现在修改settings.py。
（1）Scheduler
首先是Scheduler的替换，这个东西是Scrapy中的调度员。在settings.py中添加以下代码：
# Enables scheduling storing requests queue in redis.
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
（2）去重
# Ensure all spiders share same duplicates filter through redis.
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
设置好上面两项以后，爬虫已经可以正常开始工作了。不过还可以多设置一些东西使爬虫更好用。
（3）不清理Redis队列
# Don't cleanup redis queues, allows to pause/resume crawls.
SCHEDULER_PERSIST = True
如果这一项为True，那么在Redis中的URL不会被Scrapy_redis清理掉，这样的好处是：爬虫停止了再重新启动，它会从上次暂停的地方开始继续爬取。但是它的弊端也很明显，如果有多个爬虫都要从这里读取URL，需要另外写一段代码来防止重复爬取。
如果设置成了False，那么Scrapy_redis每一次读取了URL以后，就会把这个URL给删除。这样的好处是：多个服务器的爬虫不会拿到同一个URL，也就不会重复爬取。但弊端是：爬虫暂停以后再重新启动，它会重新开始爬。
4.爬虫请求的调度算法
爬虫的请求调度算法，有三种情况可供选择：
队列
SCHEDULER_QUEUE_CLASS='scrapy_redis.queue.SpiderQueue'
如果不配置调度算法，默认就会使用这种方式。它实现了一个先入先出的队列，先放进Redis的请求会优先爬取。
栈
SCHEDULER_QUEUE_CLASS='scrapy_redis.queue.SpiderStack'
这种方式，后放入到Redis的请求会优先爬取。
优先级队列
SCHEDULER_QUEUE_CLASS='scrapy_redis.queue.SpiderPriorityQueue'
这种方式，会根据一个优先级算法来计算哪些请求先爬取，哪些请求后爬取。这个优先级算法比较复杂，会综合考虑请求的深度等各个因素。
【拓展阅读】
Redis信息，如果不配置的话，Scrapy_redis会默认Redis就运行在现在这台电脑上，IP和端口也都是默认的127.0.0.1和6379。如果Redis不在本地的话，就需要将它们写出来：
REDIS_HOST='127.0.0.1'#修改为Redis的实际IP地址
REDIS_PORT=6379#修改为Redis的实际端口
网友评论