python 爬虫分布式 scrapy-redis

时间:2022-06-12 20:20:31

使用CentOS6 标准版系统(Linux系统下安装)

因为CentOS默认是python2

  1. 安装 python3

    1. 安装装python3的环境

      yum install -y gcc,zlib*,openssl*
      
    2. 解压压缩包 tar -xf python3.6.1.tar

      (参考Linux安装python3)

  2. 安装scrapy

    1. 安装装scrapy的环境
        yum install -y wget
        wget https://twistedmatrix.com/Releases/Twisted/17.1/Twisted-17.1.0.tar.bz2 tar -jxvf Twisted-17.1.0.tar.bz2 cd Twisted-17.1.0 python3 setup.py install 
    1. 安装scrapy
    pip3.6 install scrapy 
  3. 安装 scrapy-redis

    pip3.6 install scrapy-redis

 

1. 介绍scrapy-redis框架

 

scrapy-redis

 

一个三方的基于redis的分布式爬虫框架,配合scrapy使用,让爬虫具有了分布式爬取的功能。

 

github地址: https://github.com/darkrho/scrapy-redis

 

2. 分布式原理

 

scrapy-redis实现分布式,其实从原理上来说很简单,这里为描述方便,我们把自己的核心服务器称为master,而把用于跑爬虫程序的机器称为slave

 

我们知道,采用scrapy框架抓取网页,我们需要首先给定它一些start_urls,爬虫首先访问start_urls里面的url,再根据我们的具体逻辑,对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式,我们只需要在这个starts_urls里面做文章就行了

 

我们在master上搭建一个redis数据库`(注意这个数据库只用作url的存储),并对每一个需要爬取的网站类型,都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是,尽管有多个slave,然而大家获取url的地方只有一个,那就是服务器master上的redis数据库

 

并且,由于scrapy-redis自身的队列机制,slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后,再把获取的结果汇总到服务器上

 

好处

 

程序移植性强,只要处理好路径问题,把slave上的程序移植到另一台机器上运行,基本上就是复制粘贴的事情

 

3.分布式爬虫的实现

 

  1. 使用三台机器,一台是win10,两台是centos6,分别在两台机器上部署scrapy来进行分布式抓取一个网站

  2. win10的ip地址为192.168.31.245,用来作为redis的master端,centos的机器作为slave

  3. master的爬虫运行时会把提取到的url封装成request放到redis中的数据库:“dmoz:requests”,并且从该数据库中提取request后下载网页,再把网页的内容存放到redis的另一个数据库中“dmoz:items”

  4. slave从master的redis中取出待抓取的request,下载完网页之后就把网页的内容发送回master的redis

  5. 重复上面的3和4,直到master的redis中的“dmoz:requests”数据库为空,再把master的redis中的“dmoz:items”数据库写入到mongodb中

  6. master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹(使用哈希函数将url运算后的结果),是防止重复抓取的

 

4. scrapy-redis框架的安装

 

pip install scrapy-redis 

 

5. 部署scrapy-redis

 

5.1 slave端

 

在windows上的settings.py文件的最后增加如下一行

 

REDIS_HOST = 'localhost' REDIS_PORT = 6379 

 

配置好了远程的redis地址后启动两个爬虫(启动爬虫没有顺序限制)

 

6 给爬虫增加配置信息

 

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" SCHEDULER = "scrapy_redis.scheduler.Scheduler" SCHEDULER_PERSIST = True #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue" #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue" #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack" ITEM_PIPELINES = { 'example.pipelines.ExamplePipeline': 300, 'scrapy_redis.pipelines.RedisPipeline': 400, } 

 

7 运行程序

 

7.1 运行slave

 

scrapy runspider 文件名.py 

 

开起没有先后顺序

 

7.2 运行master

 

lpush (redis_key) url #括号不用写 

 

说明

 

  • 这个命令是在redis-cli中运行
  • redis_key 是 spider.py文件中的redis_key的值
  • url 开始爬取地址,不加双引号

 

8 数据导入到mongodb中

 

等到爬虫结束后,如果要把数据存储到mongodb中,就应该修改master端process_items.py文件,如下

 

import redis import pymongo def main(): r = redis.Redis(host='192.168.31.245',port=6379,db=0) client = pymongo.MongoClient(host='localhost', port=27017) db = client.dmoz sheet = db.sheet while True: source, data = r.blpop(["dmoz:items"]) item = json.loads(data) sheet.insert(item) if __name__ == '__main__': main() 

 

9 数据导入到MySQL中

 

等到爬虫结束后,如果要把数据存储到mongodb中,就应该修改master端process_items.py文件,如下

 

import redis import pymysql import json def process_item(): r_client = redis.Redis(host="127.0.0.1",port=6379,db =0) m_client = pymysql.connect(host="127.0.0.1",port=3306,user="root",passowrd="123456",db="lianjia") source,data =r_client.blpop("lianjia:item") item = json.loads(data) cursor = m_client.cursor() values = [] cursor.execute(sql,values)