Scrapy-Redis 分布式爬虫

Scrapy-Redis分布式爬虫组件

Scrapy是一个框架,他本身是不支持分布式的。如果我们想要做分布式的爬虫,就需要借助一个组件叫做Scrapy-Redis,这个组件正是利用了Redis可以分布式的功能,集成到Scrapy框架中,使得爬虫可以进行分布式。可以充分的利用资源(多个ip、更多带宽、同步爬取)来提高爬虫的爬行效率。

分布式爬虫的优点

  • 可以充分利用多台机器的带宽

  • 可以充分利用多台机器的ip地址

  • 多台机器做,爬取效率更高

分布式爬虫必须要解决的问题

  • 分布式爬虫是好几台机器在同时运行,如何保证不同的机器爬取页面的时候不会出现重复爬取的问题

  • 分布式爬虫在不同的机器上运行,在把数据爬完后如何保证保存在同一个地方

安装

通过 pip install scrapy-redis 即可安装

将scrapy框架开发的爬虫项目改为分布式爬虫项目

  1. 将爬虫的类从scrapy.Spider变成scrapy_redis.spiders.RedisSpider,或者是从scrapy.CrawlSpider变成scrapy_redis.spiders.RedisCrawlSpider

  2. 将爬虫中的start_urls删掉,增加一个 redis_key="xxx" 。这个redis_key是为了以后在redis中控制爬虫启动的。爬虫的第一个url,就是在redis中通过这个发送出去的。

  3. 在配置文件中增加如下配置

    # Scrapy-Redis相关配置
    # 确保request存储到redis中
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"
    # 确保所有爬虫共享相同的去重指纹
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
    # 设置redis为item pipeline
    ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300
    }
    # 在redis中保持scrapy-redis用到的队列,不会清理redis中的队列,从而可以实现暂停和恢复的功能
    SCHEDULER_PERSIST = True
    # 设置连接redis信息
    REDIS_HOST = '127.0.0.1'
    REDIS_PORT = 6379
  4. 运行爬虫

    • 在爬虫服务器上,进入爬虫文件所在的路径,然后输入命令:scrapy runspider [爬虫名字]

    • 在Redis服务器上,推入一个开始的url链接:redis-cli> lpush [redis_key] start_url 开始爬取