Scrapy-Redis分布式爬虫

Scrapy-Redis分布式爬虫组件

Scrapy是一个框架，他本身是不支持分布式的。如果我们想要做分布式的爬虫，就需要借助一个组件叫做Scrapy-Redis，这个组件正是利用了Redis可以分布式的功能，集成到Scrapy框架中，使得爬虫可以进行分布式。可以充分的利用资源（多个ip、更多带宽、同步爬取）来提高爬虫的爬行效率。

分布式爬虫的优点

• 可以充分利用多台机器的带宽
• 可以充分利用多台机器的ip地址
• 多台机器做，爬取效率更高

分布式爬虫必须要解决的问题

• 分布式爬虫是好几台机器在同时运行，如何保证不同的机器爬取页面的时候不会出现重复爬取的问题
• 分布式爬虫在不同的机器上运行，在把数据爬完后如何保证保存在同一个地方

安装

通过 pip install scrapy-redis 即可安装

将scrapy框架开发的爬虫项目改为分布式爬虫项目

1. 将爬虫的类从scrapy.Spider变成scrapy_redis.spiders.RedisSpider，或者是从scrapy.CrawlSpider变成scrapy_redis.spiders.RedisCrawlSpider

2. 将爬虫中的start_urls删掉，增加一个 redis_key="xxx" 。这个redis_key是为了以后在redis中控制爬虫启动的。爬虫的第一个url，就是在redis中通过这个发送出去的。

3. 在配置文件中增加如下配置

       # Scrapy-Redis相关配置
   
       # 确保request存储到redis中
       SCHEDULER = "scrapy_redis.scheduler.Scheduler"
   
       # 确保所有爬虫共享相同的去重指纹
       DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
   
       # 设置redis为item pipeline
       ITEM_PIPELINES = {
           'scrapy_redis.pipelines.RedisPipeline': 300
       }
   
       # 在redis中保持scrapy-redis用到的队列，不会清理redis中的队列，从而可以实现暂停和恢复的功能
       SCHEDULER_PERSIST = True
   
       # 设置连接redis信息
       REDIS_HOST = '127.0.0.1'
       REDIS_PORT = 6379
   

4. 运行爬虫

   • 在爬虫服务器上，进入爬虫文件所在的路径，然后输入命令：scrapy runspider [爬虫名字]
   • 在Redis服务器上，推入一个开始的url链接：redis-cli> lpush [redis_key] start_url 开始爬取