1500字范文 > Python爬虫从入门到精通:（38）分布式爬虫_Python涛哥

Python爬虫从入门到精通:（38）分布式爬虫_Python涛哥

时间：2022-04-07 03:58:41

什么是分布式爬虫:

默认情况下，我们使用scrapy框架进行爬虫时使用的是单机爬虫，就是说它只能在一台电脑上运行，因为爬虫调度器当中的队列queue去重和set集合都只能在本机上创建的，其他电脑无法访问另外一台电脑上的内存和内容。分布式爬虫实现了多台电脑使用一个共同的爬虫程序，它可以同时将爬虫任务部署到多台电脑上运行，这样可以提高爬虫速度，实现分布式爬虫。

分布式的主要内容在于配置！！！

实现方式：

scrapy+redis（scrapy结合着scrapy-redis组件）

原生的scrapy框架是无法实现分布式的.

什么是分布式：

需要搭建一个分布式的机群，然后让机群中的每一台电脑执行同一组程序，让其对同一组资源进行联合且分布的数据爬取。

为什么原生的scrapy框架无法实现分布式？

调度器无法被分布式机群共享管道无法被共享

如何实现分布式：

使用scrapy-redis组件结合

scrapy-redis组件的作用

可以给原生的scrapy框架提供共享的管道和调度器安装：pip install scrapy-redis

实现流程

创建爬虫工程:

scrapy startproject fbsPro

cd fbsPro

scrapy genspider -t crawl fbs

修改配置文件:UA、ROBOTSTXT_OBEY.其他的先不要改，我们要看日志的

1.修改爬虫文件

导包：from scrapy_redis.spiders import RedisCrawlSpider

from scrapy_redis.spiders import RedisCrawlSpider

修改当前爬虫类的父类为：RedisCrawlSpider

class FbsSpider(RedisCrawlSpider):name = 'fbs'xxx

将strat_url替换成redis_key的属性，属性值为任意字符串

redis_key = 'sunQueue' # 可以被共享的调度器队列的名称# 稍后我们是需要将一个起始的url手动的添加到redis_key表示的队列中

redis_key = 'xxx'表示的是可以被共享的调度器队列的名称，最终是需要将起始的url手动防止到redis_key表示的队列中

将数据解析补充完整

rules = (Rule(LinkExtractor(allow=r'id=1&page=\d+'), callback='parse_item', follow=False),)def parse_item(self, response):# 将全站的标题获取li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')for li in li_list:title = li.xpath('./span[3]/a/text()').extract_first()item = FbsproItem()item['title'] = titleyield item# items.py记得改

2.对settings.py进行配置

指定调度器

1.增加了一个去重容器类的配置，作用使用Redis的ser集合来存储请求的指纹数据，从而实现请求去重的持久化

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

使用scrapy-redis组件自己的调度器

SCHEDULER = "scrapy_redis.scheduler.Scheduler"

配置调度器是否需要持久化，也就是当爬虫结束了，要不要情况Redis中请求队列和去重指纹的set.如果是True,就表示要持久化存储，就不清空数据，否则清空数据

SCHEDULER_PERSIST = True

指定管道

ITEM_PIPELINES = {'scrapy_redis.pipelines.RedisPipeline': 400,}# 特点：该种管道只可以将item写入redis

指定redis

REDIS_HOST = 'redis服务器的ip地址'REDIS_PORT = 6379REDIS_ENCODING = 'utf-8'REDIS_PARAMS = {'password':'123456'}