分布式爬取需要安装pip3 install scrapy_redis
首先修改setings.py文件:
1.设置去重组件,使用的是scrapy_redis的去重组件,而不再使用scrapy自己的去重组件了
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
2.使用设置调度器,使用scrapy_redis重写调度器,而不再使用自带的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
3.实现断点爬取(请求的记录不会丢失,会存储在redis数据库中,不会清除redis的任务队列)
SCHEDULER_PERSIST = True
4.设置任务队列的模式3种选一种
是scrapy_redis默认使用的队列模式(有自己的优先级)
SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
使用了队列的形式,任务先进先出
SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
采用了栈的形式,任务先进后出
SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"
5.设置管道文件
ITEM_PIPELINES = {
'example.pipelines.ExamplePipeline': 300,
实现管道可以将爬虫端获取的item数据统一保存在redis数据库中
'scrapy_redis.pipelines.RedisPipeline': 400,
}
6.设置数据库相关信息
指定要存储的redis数据库的主机IP
REDIS_HOST = '127.0.0.1'
指定redis数据库主机的端口
REDIS_PORT = 6379
redis数据库
"xcfCrawlSpider:requests":存储的是请求的request对象
"xcfCrawlSpider:items":存储的爬虫端获取的items数据
"xcfCrawlSpider:dupefilter":存储的指纹(为了实现去重)
127.0.0.1:6379> type xcfCrawlSpider:requests
zset
127.0.0.1:6379> type xcfCrawlSpider:items
list
127.0.0.1:6379> type xcfCrawlSpider:dupefilter
set
分布式爬虫三种情况
第一种情况:dmoz.py
继承制:CrawlSpider
只设置settings.py文件,并没有实现分布式,使用了sctapy_redis的数据存储和去重功能
第二种情况:mycrawler_redis实现通用爬虫的分布式爬虫
继承制:RedisCrawlSpider
from scrapy_redis.spiders import RedisCrawlSpider
class MyCrawler(RedisCrawlSpider):
"""Spider that reads urls from redis queue (myspider:start_urls)."""
name = 'mycrawler_redis'
allowed_domains = ['dmoz.org']
#缺少了start_url,多了redis_key:根据redis_key从redis
#数据库中获取任务
redis_key = 'mycrawler:start_urls'
启动爬虫:scrapy crawl 爬虫名称
现象:爬虫处于等待状态
需要在redis数据库设置起始任务:
lpush mycrawler:start_urls 目标url
redis数据库有三个key,爬取任务结束后,只会剩item一个表
第三种情况:myspider_redis实现scrpy.spider爬虫的分布式爬虫(和第二种代码一样,只是继承的类不同)
继承制:RedisSpider
from scrapy_redis.spiders import RedisSpider
class MyCrawler(RedisSpider):
"""Spider that reads urls from redis queue (myspider:start_urls)."""
name = 'mycrawler_redis'
allowed_domains = ['dmoz.org']
#缺少了start_url,多了redis_key:根据redis_key从redis
#数据库中获取任务
redis_key = 'mycrawler:start_urls'
启动爬虫:scrapy crawl 爬虫名称
现象:爬虫处于等待状态
需要设置起始任务:
lpush mycrawler:start_urls 目标url
网友评论