scrapy_redis种子优化

前言：

继《scrapy_redis去重优化（已有7亿条数据），附Demo福利》优化完去重之后，Redis的内存消耗降了许多，然而还不满足。这次对scrapy_redis的种子队列作了一些优化（严格来说并不能用上“优化”这词，其实就是结合自己的项目作了一些改进，对本项目能称作优化，对scrapy_redis未必是个优化）。

scrapy_redis默认是将Request对象序列化后（变成一条字符串）存入Redis作为种子，需要的时候再取出来进行反序列化，还原成一个Request对象。
现在的问题是：序列化后的字符串太长，短则几百个字符，长则上千。我的爬虫平时至少也要维护包含几千万种子的种子队列，占用内存在20G~50G之间（Centos）。想要缩减种子的长度，这样不仅Redis的内存消耗会降低，各个slaver从Redis拿种子的速度也会有所提高，从而整个分布式爬虫系统的抓取速度也会有所提高（效果视具体情况而定，要看爬虫主要阻塞在哪里）。

记录：

1、首先看调度器，即scrapy_redis模块下的scheduler.py文件，可以看到enqueue_request()方法和next_request()方法就是种子入队列和出队列的地方，self.queue指的是我们在setting.py里面设定的SCHEDULER_QUEUE_CLASS值，常用的是'scrapy_redis.queue.SpiderPriorityQueue'。


2、进入scrapy模块下的queue.py文件，SpiderPriorityQueue类的代码如下：

class SpiderPriorityQueue(Base):
    """Per-spider priority queue abstraction using redis' sorted set"""

    def __len__(self):
        """Return the length of the queue"""
        return self.server.zcard(self.key)

    def push(self, request):
        """Push a request"""
        data = self._encode_request(request)
        pairs = {data: -request.priority}
        self.server.zadd(self.key, **pairs)

    def pop(self, timeout=0):
        """
        Pop a request
        timeout not support in this queue class
        """
        pipe = self.server.pipeline()
        pipe.multi()
        pipe.zrange(self.key, 0, 0).zremrangebyrank(self.key, 0, 0)
        results, count = pipe.execute()
        if results:
            return self._decode_request(results[0])

可以看到，上面用到了Redis的zset数据结构（它可以给种子加优先级），在进Redis之前用_encode_request()方法将Request对象转成字符串，_encode_request()和_decode_request是Base类下面的两个方法：

    def _encode_request(self, request):
        """Encode a request object"""
        return pickle.dumps(request_to_dict(request, self.spider), protocol=-1)

    def _decode_request(self, encoded_request):
        """Decode an request previously encoded"""
        return request_from_dict(pickle.loads(encoded_request), self.spider)

可以看到，这里先将Request对象转成一个字典，再将字典序列化成一个字符串。Request对象怎么转成一个字典呢？看下面的代码，一目了然。

def request_to_dict(request, spider=None):
    """Convert Request object to a dict.

    If a spider is given, it will try to find out the name of the spider method
    used in the callback and store that as the callback.
    """
    cb = request.callback
    if callable(cb):
        cb = _find_method(spider, cb)
    eb = request.errback
    if callable(eb):
        eb = _find_method(spider, eb)
    d = {
        'url': to_unicode(request.url),  # urls should be safe (safe_string_url)
        'callback': cb,
        'errback': eb,
        'method': request.method,
        'headers': dict(request.headers),
        'body': request.body,
        'cookies': request.cookies,
        'meta': request.meta,
        '_encoding': request._encoding,
        'priority': request.priority,
        'dont_filter': request.dont_filter,
    }
    return d

注：d为Request对象转过来的字典，data为字典序列化后的字符串。


3、了解完scrapy_redis默认的种子处理方式，现在针对自己的项目作一些调整。我的是一个全网爬虫，每个种子需要记录的信息主要有两个：url和callback函数名。此时我们选择不用序列化，直接用简单粗暴的方式，将callback函数名和url拼接成一条字符串作为一条种子，这样种子的长度至少会减少一半。另外我们的种子并不需要设优先级，所以也不用zset了，改用Redis的list。以下是我新建的SpiderSimpleQueue类，加在queue.py中。如果在settings.py里将SCHEDULER_QUEUE_CLASS值设置成'scrapy_redis.queue.SpiderSimpleQueue'即可使用我这种野蛮粗暴的种子。

from scrapy.utils.reqser import request_to_dict, request_from_dict, _find_method

class SpiderSimpleQueue(Base):
    """ url + callback """

    def __len__(self):
        """Return the length of the queue"""
        return self.server.llen(self.key)

    def push(self, request):
        """Push a request"""
        url = request.url
        cb = request.callback
        if callable(cb):
            cb = _find_method(self.spider, cb)
            data = '%s--%s' % (cb, url)
            self.server.lpush(self.key, data)

    def pop(self, timeout=0):
        """Pop a request"""
        if timeout > 0:
            data = self.server.brpop(self.key, timeout=timeout)
            if isinstance(data, tuple):
                data = data[1]
        else:
            data = self.server.rpop(self.key)
        if data:
            cb, url = data.split('--', 1)
            try:
                cb = getattr(self.spider, str(cb))
                return Request(url=url, callback=cb)
            except AttributeError:
                raise ValueError("Method %r not found in: %s" % (cb, self.spider))

__all__ = ['SpiderQueue', 'SpiderPriorityQueue', 'SpiderSimpleQueue', 'SpiderStack']

4、另外需要提醒的是，如果scrapy中加了中间件process_request()，当yield一个Request对象的时候，scrapy_redis会直接将它丢进Redis种子队列，未执行process_requset()；需要一个Request对象的时候，scrapy_redis会从Redis队列中取出种子，此时才会处理process_request()方法，接着去抓取网页。
所以并不需要担心process_request()里面添加的Cookie在Redis中放太久会失效，因为进Redis的时候它压根都还没执行process_request()。事实上Request对象序列化的时候带上的字段很多都是没用的默认字段，很多爬虫都可以用 “callback+url” 的方式来优化种子。

5、最后，在Scrapy_Redis_Bloomfilter（Github传送门）这个demo中我已作了修改，大家可以试试效果。

结语：

经过以上优化，Redis的内存消耗从42G降到了27G！里面包含7亿多条种子的去重数据 和4000W+条种子。并且六台子爬虫的抓取速度都提升了一些。

两次优化，内存消耗从160G+降到现在的27G，效果也是让人满意！

转载请注明出处，谢谢！（原文链接：http://blog.csdn.net/bone_ace/article/details/53306629）