一 介绍
原来scrapy的Scheduler维护的是本机的任务队列（存放Request对象及其回调函数等信息）+本机的去重队列（存放访问过的url地址）
所以实现分布式爬取的关键就是，找一台专门的主机上运行一个共享的队列比如Redis，
然后重写Scrapy的Scheduler，让新的Scheduler到共享队列存取Request，并且去除重复的Request请求，所以总结下来，实现分布式的关键就是三点：
1
2
3
| ##1、共享队列
##2、重写Scheduler，让其无论是去重还是任务都去访问共享队列
##3、为Scheduler定制去重规则（利用redis的集合类型）
|
以上三点便是scrapy-redis组件的核心功能
1
2
3
4
5
| ##安装：
pip3 install scrapy-redis
##源码：
D:\python3.6\Lib\site-packages\scrapy_redis
|
二 scrapy-redis组件
1、只使用scrapy-redis的去重功能
使用共享去重队列+源码分析
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
|
REDIS_HOST = 'localhost'
REDIS_PORT = 6379
REDIS_URL = 'redis://user:pass@hostname:9001'
REDIS_PARAMS = {}
REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient'
REDIS_ENCODING = "utf-8"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'
def request_seen(self, request):
"""Returns True if request was already seen.
Parameters
----------
request : scrapy.http.Request
Returns
-------
bool
"""
fp = self.request_fingerprint(request)
added = self.server.sadd(self.key, fp)
return added == 0
from scrapy.http import Request
from scrapy.utils.request import request_fingerprint
req = Request(url='http://www.baidu.com')
result=request_fingerprint(req)
print(result)
- URL参数位置不同时，计算结果一致；
- 默认请求头不在计算范围，include_headers可以设置指定请求头
- 示范：
from scrapy.utils import request
from scrapy.http import Request
req = Request(url='http://www.baidu.com?name=8&id=1',callback=lambda x:print(x),cookies={'k1':'vvvvv'})
result1 = request.request_fingerprint(req,include_headers=['cookies',])
print(result)
req = Request(url='http://www.baidu.com?id=1&name=8',callback=lambda x:print(x),cookies={'k1':666})
result2 = request.request_fingerprint(req,include_headers=['cookies',])
print(result1 == result2)
|
2、使用scrapy-redis的去重+调度实现分布式爬取
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"
SCHEDULER_QUEUE_KEY = '%(spider)s:requests'
SCHEDULER_PERSIST = True
SCHEDULER_FLUSH_ON_START = False
SCHEDULER_IDLE_BEFORE_CLOSE = 10
SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'
SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'
|
3、持久化
1
2
3
4
5
6
7
|
REDIS_ITEMS_KEY = '%(spider)s:items'
REDIS_ITEMS_SERIALIZER = 'json.dumps'
|
4、从Redis中获取起始URL
1
2
3
4
5
6
7
8
9
10
11
| scrapy程序爬取目标站点，一旦爬取完毕后就结束了，如果目标站点更新内容了，我们想重新爬取，那么只能再重新启动scrapy，非常麻烦
scrapy-redis提供了一种供，让scrapy从redis中获取起始url，如果没有scrapy则过一段时间再来取而不会关闭
这样我们就只需要写一个简单的脚本程序，定期往redis队列里放入一个起始url。
REDIS_START_URLS_KEY = '%(name)s:start_urls'
REDIS_START_URLS_AS_SET = False
|
