wen 分布式爬虫
一、简介
什么是分布式爬虫？
分布式爬虫就是把一个爬虫任务放到多台机器上去运行，提高爬取效率
但是每台机器运行同一套代码，都在各自的任务和去重队列，等于各爬各的，最终爬的数据是相同的
因此需要提供一个公共的去重队列和公共的任务队列，多台机器都在共用的队列中去调度和去重，然后分别爬取
原来scrapy的Scheduler维护的是本机的任务队列（存放Request对象及其回调函数等信息）+本机的去重队列（存放访问过的url地址）
实现分布式的关键就是三点：
1、共享队列
2、重写Scheduler(调度器)，让其无论去重还是任务都访问共享队列
3、为Scheduler定制去重规则(利用redis的集合类型)
以上三点便是scrapy-redis组件的核心功能
二、scrapy-redis实现分布式爬虫
1 scrapy-redis架构
scrapy-redis整体运行流程如下：核心就是把Scheduler(调度器)放到redis当中去
源码位置
2 scrapy-redis共享队列
3 使用scrapy-redis组件
1 pip3 install scrapy-redis 安装
2 原来继承Spider，现在继承RedisSpider
源码spiders.py中，RedisSpider(RedisMixin, Spider)类，继承了原来的Spider，并继承了扩展类RedisMixin
3 不能写start_urls = ["https:/www.cnblogs.com/"]
需要写redis_key = "myspider:start_urls" 统一管理起始的爬取地址，redis的name对应的是一个列表
放一个起始url，启动爬虫后，返回来的url也是丢到这个列表中，每台机器都是从这个列表中取地址爬取，共享一个队列
class ChoutiSpider(RedisSpider):
name = "cnblog"
allowed_domains = ["cnblogs.com"]
redis_key = "myspider:start_urls"
4 setting中配置
redis连接
# redis的连接, 默认配置本地+6379
REDIS_HOST = "localhost" # 主机名
REDIS_PORT = 6379 # 端口
REDIS_USER = # 用户名
REDIS_PASSWORD = # 密码
REDIS_URL = "redis://user:pass@hostname:port" # 支持直接链接
REDIS_PARAMS = {} # Redis连接参数
REDIS_PARAMS["redis_cls"] = "myproject.RedisClient" # 指定连接Redis的Python模块
REDIS_ENCODING = "utf-8" # redis编码类型
REDIS_ITEMS_KEY = "%(spider)s:items" # 将item持久化到redis时，指定的name
REDIS_ITEMS_SERIALIZER = "json.dumps" # 将item持久化到redis时，指定序列化函数
重点配置
1、DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 使用scrapy-redis的去重
源码dupefilter.py中，RFPDupeFilter类重写了request_seen()方法
def request_seen(self, request):
fp = self.request_fingerprint(request)
# self.server是redis连接，sadd表示向集合中add数据
added = self.server.sadd(self.key, fp)
return added == 0
2、SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 使用scrapy-redis的Scheduler， 分布式爬虫的配置
3、持久化配置，配了都走公共的，存在redis中，如果不配，各自存各自的库，当然Mysql也是共用的一个库
ITEM_PIPELINES = {"scrapy_redis.pipelines.RedisPipeline": 299}
源码pipelines.py中，RedisPipeline类,_process_item()方法，就是把item对象转成pickle，再存入redis
def _process_item(self, item, spider):
key = self.item_key(item, spider)
data = self.serialize(item)
self.server.rpush(key, data)
return item
其他配置
# 调度器将不重复的任务用pickle序列化后放入共享任务队列，默认使用优先级队列，其他PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.PriorityQueue"
# 对保存到redis中的request对象进行序列化，默认使用pickle
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"
# 调度器中请求任务序列化后存放在redis中的name
SCHEDULER_QUEUE_KEY = "%(spider)s:requests"
# 去重队列(用的指纹去重，放在集合中)，在redis中保存时对应的name
SCHEDULER_DUPEFILTER_KEY = "%(spider)s:dupefilter"
# 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。如果没有则立刻返回会造成空循环次数过多，cpu占用率飙升
SCHEDULER_IDLE_BEFORE_CLOSE = 10
# 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
SCHEDULER_PERSIST = True
# 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
SCHEDULER_FLUSH_ON_START = False
5 启动scrapy-redis
分布式爬虫部署在三台机器上，等于每台机器启一个爬虫进程，跟在一台机器上启动3个进程本质上一样的
1 进程启动爬虫,启动后要等待从redis中拿出起始url
scrapy crawl cnblog_redis
现在要让爬虫运行起来，需要去redis中以myspider:start_urls为key，插入一个起始地址
cmd命令窗口输入：
2 redis-cil # 启动redis
3 lpush myspider:start_urls https://www.cnblogs.com/ # 插入起始地址
···