爬虫框架Scrapy 之(八) --- scrapy分布式部署-优快云博客

分布式爬虫

介绍

　　一个分布式爬虫，一般有两个端：master端，主要负责处理数据；slaver端，主要负责爬取数据业务。

　　不同的端采用不同的平台。服务程序都用linux系统，业务程序都用widoms系统。

　　服务器端（master端）：

　　　　可以用某一台主机作为redis服务器的运行方（即服务端），也称为master。服务程序都用linux系统

　　客户端（slaver端）：

　　　　1）把普通爬虫修改成分布式，去掉start_urls(不让slaver随意的执行)，替换成redis_key（为了让master能够控制slaver的爬取）

　　　　2）修改自己配置文件，即在配置文件中加上scrapy_redis的组件。。业务程序都用widoms系统

安装

　pip install scrapy_redis

部署

settings.py 文件中

 1 ITEM_PIPELINES = {
 2    # 'DushuPro.pipelines.DushuproPipeline': 300, # 数据的管道现在统一成分布式的管道
 3     "scrapy_redis.pipelines.RedisPipeline":400, # 开启分布式管道
 4 }
 5 
 6 # 指定redis分布式管道的服务器
 7 # 主机地址
 8 REDIS_HOST = "39.106.191.15"
 9 # 端口号
10 REDIS_PORT = 6379
11 # 密码
12 # REDIS_PARAMS = {"password":"xxxx"}
13 
14 # 调度器，把scrapy调度器修改成scrapy_redis调度器
15 SCHEDULER = "scrapy_redis.scheduler.Scheduler"
16 # 是否允许调度的过程暂停
17 SCHEDULER_PERSIST = True 
18 # 去重组件
19 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

spilder/book.py 文件中

# -*- coding: utf-8 -*-
import scrapy
# 在scrapy中有很多的爬虫模板，这些模板都是基于basic模板进行的功能的扩展（例如：crawl模板、feed模板等），最常用的就是crawl（即增量式爬虫），basicspider的设计理念是：从start_urls里面取出起始的url，使用start_urls来驱动引擎的工作；
# 【增量式爬虫】首先以start_urls中的url为起点，从这些url中不断的请求网页，然后从新的网页中匹配出新的url重新放入调度器的队列进行调度，再从新的url网页中提取新的url，再进行调度依次类推直至所有的url都匹配完成为止

from scrapy.linkextractors import LinkExtractor
# 用于根据一定的规则从网页中提取新的url

from scrapy.spiders import CrawlSpider, Rule
# CrawlSpider增量爬虫，Rule一个规则对象，可以根据LinkExtractor匹配的网址发起请求，并且回调函数

from DushuPro.items import DushuproItem
# 数据模型导入

from scrapy_redis.spiders import RedisCrawlSpider
# 分布式爬虫继承文件

# 将此类继承自RedisCrawlSpider
class BookSpider(RedisCrawlSpider):
    name = 'book'
    allowed_domains = ['dushu.com']
    # start_urls = ['https://www.dushu.com/book/1002.html']
    # 起始url从redis数据库中的book:start_urls这个键中获取
    redis_key = "book:start_urls"


# -----------------------后面的数据没有变化---------------------

运行

　　将起始url即start_url放入到阿里云服务器redis数据库的book:start_urls键中。然后启动爬虫，多台计算机共同访问此url进行爬取

　　在终端连接上redis数据库后，输入：LPUSH book: start_url　https://www.dushu.com/book/1002.html

　　之后运行终止中的爬虫自动启动爬取

总结

分布式redis数据库中有4个key

xxx:start_urls：用于向分布式系统提供起始url
xxx:requests：用于盛放在爬虫运行的过程中新产生的那些请求对象
xxx:items：用于存储爬虫爬取的数据
xxx:dupefilter：用于盛放已经被访过的那些请求对象

分布式爬虫的运行过程

把所有的分机（slaver端）上的爬虫运行起来，由于没有start_urls，所有的分机都在等待起始url的产生
通过服务器脚本把那些起始的url放入到xxx:start_urls列表中
所有的slaver去竞争master端的xxx:start_urls中的起始url，一旦竞争到url则开启爬虫，没有竞争到slaver端继续监视xxx:start_urls和xxx:requests这两个列表
所有的分机如果对某个url访问成功则会把这个url加入去重列表中(即xxx:dupefilter)，如果没有访问成功则会启动重传机制，如果再不成功就会这个url返回给requests列供其他slaver来使用
爬取成功的数据会通过管道组件存入到redis数据库的xxx:items列表中，并且把该页面新产生的url加入到xxx:requests列表中
如果所有的url都被取完（start_urls和requests两个列表都为空），则所有的slaver端都会暂停等待

转载于:https://www.cnblogs.com/TMMM/p/11370996.html