zoukankan      html  css  js  c++  java
  • Scrapy-redis分布式爬虫爬取豆瓣电影详情页

    平时爬虫一般都使用Scrapy框架,通常都是在一台机器上跑,爬取速度也不能达到预期效果,数据量小,而且很容易就会被封禁IP或者账号,这时候可以使用代理IP或者登录方式爬,然而代理IP很多时候都很鸡肋,除非使用付费版IP,但是和真实IP差别很大。这时候便有了Scrapy-redis分布式爬虫框架,它基于Scrapy改造,把Scrapy的调度器(scheduler)换成了Scrapy-redis的调度器,可以轻松达到目的,利用多台服务器来爬取数据,而且还可以自动去重,效率高。爬取的数据默认保存在redis缓存中,速度很快。

    Scrapy工作原理:

    Scrapy-redis工作原理:

    中间的就是调度器

    豆瓣电影简易分布式爬虫

    我这里直接使用start_urls的方式,数据存入到Mysql中

    class DoubanSpider(RedisSpider):
        name = 'douban'
        redis_key = 'douban:start_urls'
        allowed_domains = ['douban.com']
    
    
        def start_requests(self):
            urls = get_urls()
            for url in urls:
                yield scrapy.Request(url=url, callback=self.parse)
    
    
        def parse(self, response):
            # item_loader = MovieItemLoader(item=MovieItem, response=response)
            #
            # item_loader.add_xpath('title', '')
            item = MovieItem()
            print(response.url)
            item['movieId'] = int(response.url.split('subject/')[1].replace('/', ''))
            item['title'] = response.xpath('//h1/span/text()').extract()[0]
            item['year'] = response.xpath('//h1/span/text()').extract()[1].split('(')[1].split(')')[0] or '2019'
            item['url'] = response.url
            item['cover'] = response.xpath('//a[@class="nbgnbg"]/img/@src').extract()[0]
            try:
                item['director'] = response.xpath('//a[@rel="v:directedBy"]/text()').extract()[0] or '无'
            except Exception:
                item['director'] = '暂无'
            item['major'] = '/'.join(response.xpath('//a[@rel="v:starring"]/text()').extract())
            item['category'] = ','.join(response.xpath('//span[@property="v:genre"]/text()').extract())
    
    
            item['time'] = ','.join(response.xpath('//span[@property="v:initialReleaseDate"]/text()').extract())
            try:
                item['duration'] = response.xpath('//span[@property="v:runtime"]/text()').extract()[0]
            except Exception:
                item['duration'] = '暂无'
    
            item['score'] = response.xpath('//strong[@property="v:average"]/text()').extract()[0]
            item['comment_nums'] = response.xpath('//span[@property="v:votes"]/text()').extract()[0] or 0
            item['desc'] = response.xpath('//span[@property="v:summary"]/text()').extract()[0].strip()
    
            actor_list = response.xpath('//ul[@class="celebrities-list from-subject __oneline"]/li/a/@title').extract()
            actor_img_list = response.xpath('//ul[@class="celebrities-list from-subject __oneline"]/li/a/div/@style').extract()
            actor_img_list = [i.split('url(')[1].replace(')', '') for i in actor_img_list]
    
            item['actor_name_list'] = '----'.join(actor_list)
            item['actor_img_list'] = '----'.join(actor_img_list)
    
    
            yield item
    
    

    settings.py文件

    BOT_NAME = 'MovieSpider'
    
    SPIDER_MODULES = ['MovieSpider.spiders']
    NEWSPIDER_MODULE = 'MovieSpider.spiders'
    
    # REDIS_HOST = '127.0.0.1'
    # REDIS_PORT = 6379
    REDIS_URL = 'redis://username:password@xxx.xxx.xxx.xxx:6379'
    
    
    # Obey robots.txt rules
    ROBOTSTXT_OBEY = False
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"
    
    # Ensure all spiders share same duplicates filter through redis.
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
    ITEM_PIPELINES = {
        'scrapy_redis.pipelines.RedisPipeline': 300,
        'MovieSpider.pipelines.MysqlPipeline': 200,
    }
    

    这里只是为了多台服务器一起爬取,没有手动在redis中推入起始的URL

    此时将爬虫项目上传到其他服务器上,一起开始

    效果如下:

  • 相关阅读:
    阅读计划博文
    系统设计时所实现的质量属性战术
    关于如何提高系统的可用性和易用性
    jdbc.properties
    JDBCUtil
    软件质量属性的场景描述
    架构漫谈阅读笔记
    软件架构师工作过程
    orm框架中entityframework的 增删改查操作
    事件和委托
  • 原文地址:https://www.cnblogs.com/PyKK2019/p/10918308.html
Copyright © 2011-2022 走看看