Scrapy-redis分布式爬虫

最新推荐文章于 2024-06-23 16:01:36 发布

只爱写代码

最新推荐文章于 2024-06-23 16:01:36 发布

阅读量415

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/Lazybones_3/article/details/78746924

本文介绍如何使用Scrapy框架结合Redis实现分布式爬虫。通过修改配置文件及爬虫类继承方式，将原有的单机爬虫升级为分布式爬虫，并详细展示了myspider_redis.py和mycrawler_redis.py两个示例代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

分布式爬虫步骤：
1.先用scrapy写出爬虫项目
2.redis 服务器
3.把原来单机版改成分布式
a 修改settings
b 修改爬虫类继承
from scrapy_redis.spiders import RedisSpider —– spider
from scrapy_redis.spiders import RedisCrawlSpider —–crawlspider
c 设置 redis-key
d 启动所有slave （所有爬虫终端）
e 向master端的redis里 push数据（起始url）
lpush redis-key url

myspider_redis.py版本

#coding:utf8
from scrapy_redis.spiders import RedisSpider

class MySpider(RedisSpider):
    """Spider that reads urls from redis queue (myspider:start_urls)."""
    name = 'myspider_redis'
    # 请求队列的键
    redis_key = 'myspider:start_urls'
    allow_domain = ['hao123.com']

    def parse(self, response):
        return {
            'name': response.css('title::text').extract_first(),
            'url': response.url,
        }

manage.py:

from scrapy import cmdline
import os
os.chdir('example/spiders')
cmdline.execute('scrapy runspider mycrawler_redis.py'.split())

redis-cli -h 192.168.6.6
lpush myspider:start_urls http://www.baidu.com
llen myspider:start_urls

mycrawler_redis.py版本

#coding:utf8
from scrapy.spiders import Rule # 按照规则提取url
from scrapy.linkextractors import LinkExtractor  # 生成请求

from scrapy_redis.spiders import RedisCrawlSpider


class MyCrawler(RedisCrawlSpider):
    """Spider that reads urls from redis queue (myspider:start_urls)."""
    name = 'mycrawler_redis'
    redis_key = 'mycrawler:start_urls'
    allowed_domains = ['itxdl.cn']

    rules = (
        # follow all links
        Rule(LinkExtractor(), callback='parse_page', follow=True),
    )

    def parse_page(self, response):
        return {
            'name': response.css('title::text').extract_first(),
            'url': response.url,
        }

lpush mycrawler:start_urls http://www.baidu.com