一 介紹
原來scrapy的Scheduler維護的是本機的任務隊列（存放Request對象及其回調函數等信息）+本機的去重隊列（存放訪問過的url地址）
所以實現分布式爬取的關鍵就是，找一台專門的主機上運行一個共享的隊列比如Redis，
然后重寫Scrapy的Scheduler，讓新的Scheduler到共享隊列存取Request，並且去除重復的Request請求，所以總結下來，實現分布式的關鍵就是三點：
#1、共享隊列 #2、重寫Scheduler，讓其無論是去重還是任務都去訪問共享隊列 #3、為Scheduler定制去重規則（利用redis的集合類型）
以上三點便是scrapy-redis組件的核心功能
#安裝： pip3 install scrapy-redis #源碼： D:\python3.6\Lib\site-packages\scrapy_redis
二、scrapy-redis組件
1、只使用scrapy-redis的去重功能
#一、源碼：D:\python3.6\Lib\site-packages\scrapy_redis\dupefilter.py #二、配置scrapy使用redis提供的共享去重隊列 #2.1 在settings.py中配置鏈接Redis REDIS_HOST = 'localhost' # 主機名 REDIS_PORT = 6379 # 端口 REDIS_URL = 'redis://user:pass@hostname:9001' # 連接URL（優先於以上配置） REDIS_PARAMS = {} # Redis連接參數 REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定連接Redis的Python模塊 REDIS_ENCODING = "utf-8" # redis編碼類型 # 默認配置：D:\python3.6\Lib\site-packages\scrapy_redis\defaults.py #2.2 讓scrapy使用共享的去重隊列 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" #使用scrapy-redis提供的去重功能，查看源碼會發現是基於Redis的集合實現的 #2.3、需要指定Redis中集合的key名，key=存放不重復Request字符串的集合 DUPEFILTER_KEY = 'dupefilter:%(timestamp)s' #源碼：dupefilter.py內一行代碼key = defaults.DUPEFILTER_KEY % {'timestamp': int(time.time())} #2.4、去重規則源碼分析dupefilter.py def request_seen(self, request): """Returns True if request was already seen. ``` Parameters ---------- request : scrapy.http.Request Returns ------- bool """ fp = self.request_fingerprint(request) # This returns the number of values added, zero if already exists. added = self.server.sadd(self.key, fp) return added == 0 ``` #2.5、將request請求轉成一串字符后再存入集合 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) #75d6587d87b3f4f3aa574b33dbd69ceeb9eafe7b #2.6、注意： - URL參數位置不同時，計算結果一致； - 默認請求頭不在計算范圍，include_headers可以設置指定請求頭 - 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) #True```
2、使用scrapy-redis的去重+調度實現分布式爬取
#1、源碼：D:\python3.6\Lib\site-packages\scrapy_redis\scheduler.py #2、settings.py配置 # Enables scheduling storing requests queue in redis. SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 調度器將不重復的任務用pickle序列化后放入共享任務隊列，默認使用優先級隊列（默認），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表） SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue' # 對保存到redis中的request對象進行序列化，默認使用pickle SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat" # 調度器中請求任務序列化后存放在redis中的key SCHEDULER_QUEUE_KEY = '%(spider)s:requests' # 是否在關閉時候保留原來的調度器和去重記錄，True=保留，False=清空 SCHEDULER_PERSIST = True # 是否在開始之前清空 調度器和去重記錄，True=清空，False=不清空 SCHEDULER_FLUSH_ON_START = False # 去調度器中獲取數據時，如果為空，最多等待時間（最后沒數據，未獲取到）。如果沒有則立刻返回會造成空循環次數過多，cpu占用率飆升 SCHEDULER_IDLE_BEFORE_CLOSE = 10 # 去重規則，在redis中保存時對應的key SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter' # 去重規則對應處理的類，將任務request_fingerprint(request)得到的字符串放入去重隊列 SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'
3、持久化
#從目標站點獲取並解析出數據后保存成item對象，會由引擎交給pipeline進行持久化/保存到數據庫,scrapy-redis提供了一個pipeline組件，可以幫我們把item存到redis中 #1、將item持久化到redis時，指定key和序列化函數 REDIS_ITEMS_KEY = '%(spider)s:items' REDIS_ITEMS_SERIALIZER = 'json.dumps' #2、使用列表保存item數據
4、從Redis中獲取起始URL
scrapy程序爬取目標站點，一旦爬取完畢后就結束了，如果目標站點更新內容了，我們想重新爬取，那么只能再重新啟動scrapy，非常麻煩 scrapy-redis提供了一種供，讓scrapy從redis中獲取起始url，如果沒有scrapy則過一段時間再來取而不會關閉 這樣我們就只需要寫一個簡單的腳本程序，定期往redis隊列里放入一個起始url。 #具體配置如下 #1、編寫爬蟲時，起始URL從redis的Key中獲取 REDIS_START_URLS_KEY = '%(name)s:start_urls' #2、獲取起始URL時，去集合中獲取還是去列表中獲取？True，集合；False，列表 REDIS_START_URLS_AS_SET = False # 獲取起始URL時，如果為True，則使用self.server.spop；如果為False，則使用self.server.lpop