Scrapy-Redis代碼實戰
Scrapy 是一個通用的爬蟲框架,但是不支持分佈式,Scrapy-redis是為了更方便地實現Scrapy分佈式爬取,而提供了一些以redis為基礎的組件(僅有組件)。
scrapy-redis在scrapy的架構上增加了redis,基於redis的特性拓展瞭如下四種組件:
- Scheduler
- Duplication Filter
- Item Pipeline
- Base Spiderscrapy-redis架構
Scheduler
Scrapy原本的queue是不支持多個spider共享一個隊列的,scrapy-redis通過將queue改為redis實現隊列共享。
Duplication Filter
Scrapy中通過Python中的集合實現request指紋去重,在scrapy-redis中去重是由Duplication Filter組件來實現的,它通過redis的set不重複的特性,巧妙的實現了DuplicationFilter去重。
Item Pipeline
引擎將(Spider返回的)爬取到的Item給Item Pipeline,scrapy-redis 的Item Pipeline將爬取到的 Item 存入redis的 items queue。修改過Item Pipeline可以很方便的根據 key 從 items queue提取item,從而實現 items processes集群。
Base Spider
不再使用scrapy原有的Spider類,重寫的RedisSpider繼承了Spider和RedisMixin這兩個類,RedisMixin是用來從redis讀取url的類。
當我們生成一個Spider繼承RedisSpider時,調用setup_redis函數,這個函數會去連接redis數據庫,然後會設置signals(信號):一個是當spider空閒時候的signal,會調用spider_idle函數,這個函數調用schedule_next_request函數,保證spider是一直活著的狀態,並且拋出DontCloseSpider異常。一個是當抓到一個item時的signal,會調用item_scraped函數,這個函數會調用schedule_next_request函數,獲取下一個request
安裝Scrapy-Redis
<code>python3.6 -m pip install scrapy-redis/<code>
項目練習
首先修改配置文件
<code>BOT_NAME = 'cnblogs'SPIDER_MODULES = ['cnblogs.spiders']NEWSPIDER_MODULE = 'cnblogs.spiders'# Obey robots.txt rulesROBOTSTXT_OBEY = False# Configure maximum concurrent requests performed by Scrapy (default: 16)#CONCURRENT_REQUESTS = 32# See also autothrottle settings and docs#DOWNLOAD_DELAY = 3DOWNLOAD_DELAY = 2 # 等待2sMY_USER_AGENT = ["Mozilla/5.0+(Windows+NT+6.2;+WOW64)+AppleWebKit/537.36+(KHTML,+like+Gecko)+Chrome/45.0.2454.101+Safari/537.36", "Mozilla/5.0+(Windows+NT+5.1)+AppleWebKit/537.36+(KHTML,+like+Gecko)+Chrome/28.0.1500.95+Safari/537.36+SE+2.X+MetaSr+1.0", "Mozilla/5.0+(Windows+NT+6.1;+WOW64)+AppleWebKit/537.36+(KHTML,+like+Gecko)+Chrome/50.0.2657.3+Safari/537.36"]# Enable or disable downloader middlewares# See https://doc.scrapy.org/en/latest/topics/downloader-middleware.htmlDOWNLOADER_MIDDLEWARES = { 'cnblogs.middlewares.UserAgentMiddleware': 543,}LOG_LEVEL = "ERROR"ITEM_PIPELINES = { 'cnblogs.pipelines.MongoPipeline': 300,}#將結果保存到Mongo數據庫MONGO_HOST = "127.0.0.1" # 主機IPMONGO_PORT = 27017 # 端口號MONGO_DB = "spider_data" # 庫名MONGO_COLL = "cnblogs_title" # collection名#需要將調度器的類和去重的類替換為 Scrapy-Redis 提供的類SCHEDULER = "scrapy_redis.scheduler.Scheduler"DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"REDIS_HOST = '127.0.0.1'REDIS_PORT = 7001 #Redis集群中其中一個節點的端口#配置持久化#Scrapy-Redis 默認會在爬取全部完成後清空爬取隊列和去重指紋集合。#SCHEDULER_PERSIST = True#設置重爬#SCHEDULER_FLUSH_ON_START = True/<code>
代碼要改的地方有兩處:
第一處是繼承的RedisSpider
第二處就是start_urls改為了redis_key。
<code># -*- coding: utf-8 -*-import scrapyimport datetimefrom scrapy_redis.spiders import RedisSpiderclass CnblogSpider(RedisSpider): name = 'cnblog' redis_key = "myspider:start_urls" #start_urls = [f'https://www.cnblogs.com/c-x-a/default.html?page={i}' for i in range(1,2)] def parse(self, response): main_info_list_node = response.xpath('//div[@class="forFlow"]') content_list_node = main_info_list_node.xpath(".//a[@class='postTitle2']/text()").extract() for item in content_list_node: url = response.url title=item crawl_date = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S') item = {} item['url'] = url item['title'] = title.strip() if title else title item['crawl_date'] = crawl_date yield item/<code>
因為Scrapy-Redis是以Redis為隊列進行消息共享的,所以我們的任務需要提前插入到數據庫,它的key就叫我們指定的"myspider:start_urls"。
在之前創建好的redis集群中插入任務,首先使用集群的模式連接數據庫
<code>redis-cli -c -p 7000 #我的redis集群的一個Master節點端口/<code>
執行下面的語句插入任務
<code>lpush myspider:start_urls https://www.cnblogs.com/c-x-a/default.html?page=1lpush myspider:start_urls https://www.cnblogs.com/c-x-a/default.html?page=2/<code>
然後查看
<code>lrange myspider:start_urls 0 10/<code>
看到我們的任務,好了任務插入成功了。
接下來就是運行代碼了,運行完代碼之後,去查看三處。
第一處,查看redis的任務發現任務已經沒有了
<code>(empty list or set)/<code>
第二處,查看mongo數據庫,發現我們成功保存了結果。
第三處,你會發現的你爬蟲程序並沒有結束,這個其實是正常的,因為我們使用了scrapy-redis之後,爬蟲程序會一直取redis中的任務,如果沒有任務了就等待,如果在redis插入了新的任務他就會繼續進行爬蟲程序,之後又進入等待任務的狀態。
閱讀更多 sandag 的文章