scrapy和scrapy-redis的区别

scrapy是一个python爬虫框架，爬取的效率极高，具有高度的定制性，但是不支持分布式。而scrapy-redis是一套基于redis库，运行在scrapy框架之上的组件，可以让scapy支持分布式策略

Slaver端共享Master端redis数据库里的item 队列、请求队列和请求指纹集合。

选择redis数据库的原因：

　　redis支持主从同步，而且数据都是缓存在内存中的，所以基于redis的分布式爬虫，对请求和数据的高频率读取效率都非常高

　　　　scrapy-redis和scrapy的关系就像电脑和固态硬盘一样，是电脑中的一个插件，能让电脑更快的运行

　　　　scrapy是一个爬虫框架，scrapy-redis则是这个框架上可以选择的插件，它可以让爬虫跑得更

 

 

解释说明：

1. 从优先级队列中获取requests对象，交给engine
2. engine将requests对此昂交给下载器下载，期间会通过downlomiddleware的process_request方法
3. 下载器完成下载，获得response对象，将该对象交给engine，期间会经过downloadmiddleware的process_response()方法
4. engine将获得的response对象交给spider进行解析，期间会经过spidermiddleware的process_spider_input()方法
5. spider解析下载器下载下来的response，返回item或links（url）
6. item或者link经过spidermiddleware的process_spider_out()方法，交给engine
7. engine将item交给item pipeline，将links交给调度器
8. 在调度器中，先将requests对象利用scrapy内置的指纹函数生成一个指纹
9. 如果requests对象中的don't filter参数设置为False，并且该requests对象的指纹不在信息指纹的队列中，那么就把该requests对象放到优先级队列中

 

中间件：

　　spider与engine之间（爬虫中间件）

　　　　介于scrapy引擎和爬虫之间的框架，主要工作就是处理爬虫的响应输入和请求的输出

　　download与engine之间（下载器中间件）

　　　　介于scrapy引擎和下载器之间的框架，主要是处理scrapy引擎与下载器之间的请求和响应

 

scrapy框架中的middleware.py

1. Scrapy Middleware有以下几个函数被管理
   1. process_spider_input：接收一个response对象并处理
   2. process_spider_exception：spider出现异常时被调用
   3. process_spider_output：当spider处理response返回result时，就会调用该方法
   4. process_spider_requests：当spider发出请求时，被调用
2. Download Middleware有以下几个函数被管理
   1. process_requests：requests通过下载中间件的时候，该方法被调用，这里可以通过设置代理，设置request.meta['proxy']就OK了
   2. process_response：下载结果经过中间件的时候会被这个方法解惑来进行处理
   3. process_exception：下载过程中出现异常的时候会被调用

 

Scrapy的优缺点：

1. 优点
   1. scrapy是异步处理的，写middleware，方便写一些统一的过滤器
2. 缺点
   1. 基于python的爬虫框架，扩展性比较差，基于twisted框架，运行中的exception是不会干掉reactor，并且异步框架出错后是不会停掉其他任务的，数据出错后难以察觉

 

Scrapy-Redis提供了四种组件（四种组件也就意味着这四个模块都需要做出相应的改动）：

1. Scheduler
   1. scrapy改变了python原本的collection.deque（双向队列）形成了自己的Scrapy queue，但是Scrapy多个spider不能共享爬取队列Scrapy queue，也就是Scrapy本身不支持爬虫的分布式，scrapy-redis的解决是把这个Scrapy queue换成了redis数据库（也是指redis队列），从同一个redis-server存放要爬取的request，就可以让多个爬虫去同一个数据库里读取了
   2. scrapy中跟待爬队列直接相关的就是调度器Scheduler，它负责对新的request进行入列操作（加入到Scrapy queue），取出下一个要爬的request（从Scrapy queue中取出来）等操作。它把待爬队列按照优先级建立一个字典结构，然后根据request中的优先级，再来决定该入哪个队列，出列时就按照优先级较小的优先出列，为了管理这个比较高级的队列字典，Scheduler需要提供一系列的方法，但是原来的Scheduler已经无法使用，所以使用Scrapy-redis的Scheduler组件
2. Duplication Filter
   1. scrapy中用集合实现这个request的去重功能，scrapy中把已经发送的request指纹放入到一个集合中，把下一个request的指纹拿到集合中进行比较，如果该指纹已经存在集合中了，说了这个request发送过了，如果没有的话就继续这个操作
   2. 在scrapy-redis中去重是由Duplication Filter组件来实现的，它通过redis的set不重复的特性，巧妙的实现了Duplicating Filter去重。scrapy-redis调度器从引擎接受request，将request的指纹存入redis的set检查是否产生了重复，并将不重复的request push写入redis的request queue
   3. 引擎请求request时，调度器从redis的request queue队列里根据优先级进行pop出一个request返回给engine，engine将这个request发送给spider进行处理
3. Item Pipeline
   1. 引擎（spider返回的）将爬取到的item给item pipeline，scrapy-redis的item pipeline将爬取到的item存入到redis的items queue
   2. 修改过的item pipeline可以很方便的根据key从items queue提取item，从而实现items processes集群
4. Base Spider
   1. 不在使用scrapy原有的Spider类，重写RedisSpider继承了Spider和RedisMixin这两个类，RedisMixin是用来从redis中读取url的类
   2. 当我们生成一个Spider继承RedisSpider的时候，调用setup_redis函数，这个函数会去连接redis数据库，然后就设置signals（信号）：一个是当spider空闲时候的signal，会调用spider_idle函数，这个函数调用scheduler_next_request函数，保证spider是一直活着的状态，并且抛出DontCloseSpider异常，还有一个就是当抓到一个item的signal，会调用item_scrapy函数，这个函数会调用scheduler_next_request函数，获取下一个request。

 

Scrapy-Redis分布式策略：

　　　　首先要说一下Master端和Slaver端

1. 1. Master
      1. 核心服务器，搭建Redis数据库，不负责爬取，只负责url指纹判断是否重复、request的分配、以及数据的存储
   2. Slaver
      1. 爬虫程序执行端，负责执行爬虫程序，运行过程中提交新的request给Master

　　　　

　　　　首先Slaver端从Master端拿任务（request， url）进行数据爬取，Slaver抓取数据的同时，产生新的request就提交给Master进行处理

　　　　Master端只有一个Redis数据库，负责将未处理的request去重和任务分配，将处理后的request加入待爬取的队列，并且存储爬取的数据

 

将scrapy变成scrapy-redis的过程（前提是已经安装好了scrapy-redis）

1. 修改settings.py配置文件，最简单的方式就是使用redis来替换当前电脑的内存，并且同时配置好redis数据库相关的内容

   # 这个是需要手动加上的，通过scrapy-redis自带的pipeline将item存入redis中
   ITEM_PIPELINES = {'scrapy_redis.pipelines.RedisPipeline': 400
   }
   # 启动redis自带的去重
   DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
   # 启用调度器
   SCHEDULER = "scrapy_redis.scheduler.Scheduler"
   # 是否在关闭spider的时候保存记录
   SCHEDULER_PERSIST = True
   # 使用优先级调度请求队列（默认使用）
   SCHEDULER_QUEUE_CLASS = 
    'scrapy_redis.queue.SpiderPriorityQueue'
   # 指定redis的地址和端口，有密码的需要加上密码
   REDIS_HOST = '127.0.0.1'
   REDIS_PORT = '6379'
   # 如果你的redis设了密码就需要加上密码，
   REDIS_PARAMS = {
       'password': '123456',
   }