Python爬虫教程-新浪微博分布式爬虫分享

爬虫功能:

此项目实现将单机的新浪微博爬虫重构成分布式爬虫。

Master机只管任务调度,不管爬数据;Slaver机只管将Request抛给Master机,需要Request的时候再从Master机拿。

环境、架构:

开发语言:Python2.7

开发环境:64位Windows8系统,4G内存,i7-3612QM处理器。

数据库:MongoDB 3.2.0、Redis 3.0.501

(Python编辑器:Pycharm;MongoDB管理工具:MongoBooster;Redis管理工具:RedisStudio)

爬虫框架使用 Scrapy,使用 scrapy_redis 和 Redis 实现分布式。

分布式中有一台机充当Master,安装Redis进行任务调度,其余机子充当Slaver只管从Master那里拿任务去爬。原理是:Slaver运行的时候,scrapy遇到Request并不是交给spider去爬,而是统一交给Master机上的Redis数据库,spider要爬的Request也都是从Redis中取来的,而Redis接收到Request后先去重再存入数据库,哪个Slaver要Request了再给它,由此实现任务协同。

使用说明:

Python需要安装好Scrapy、pymongo、json、base64、requests。

Master机只需要安装好Redis即可(内存要求大点),Slaver机需要安装python环境和MongoDB来存储数据。如果想要将数据都存储到一台机子上,直接改一下爬虫程序(pipeline)里面MongoDB的IP即可,或者建议搭建一个MongoDB集群。Redis和MongoDB都是安装好即可,不需要配置。

将你用来登录的微博账号和密码加入到 cookies.py 文件中,里面已经有两个账号作为格式参考了。

可以修改scrapy里面setting的设置,例如间隔时间、日志级别、redis的IP等等。

以上配置完以后运行 Begin.py 即可。重申Master机不需要跑程序,它的功能是利用Redis进行任务调度。Slaver机跑爬虫,新增一台Slaver机,只需要把python环境和MongoDB搭建好,然后将代码复制过去直接运行就行了。

项目源码

 1 # encoding=utf-8
 2 import json
 3 import base64
 4 import requests
 5  
 6 """
 7 输入你的微博账号和密码,可去淘宝买,一元七个。
 8 建议买几十个,微博反扒的厉害,太频繁了会出现302转移。
 9 或者你也可以把时间间隔调大点。
10 """
11 myWeiBo = [
12     {'no': '[email protected]', 'psw': 'a123456'},
13     {'no': '[email protected]', 'psw': 'a123456'},
14 ]
15  
16  
17 def getCookies(weibo):
18     """ 获取Cookies """
19     cookies = []
20     loginURL = r'https://login.sina.com.cn/sso/login.php?client=ssologin.js(v1.4.15)'
21     for elem in weibo:
22         account = elem['no']
23         password = elem['psw']
24         username = base64.b64encode(account.encode('utf-8')).decode('utf-8')
25         postData = {
26             "entry": "sso",
27             "gateway": "1",
28             "from": "null",
29             "savestate": "30",
30             "useticket": "0",
31             "pagerefer": "",
32             "vsnf": "1",
33             "su": username,
34             "service": "sso",
35             "sp": password,
36             "sr": "1440*900",
37             "encoding": "UTF-8",
38             "cdult": "3",
39             "domain": "sina.com.cn",
40             "prelt": "0",
41             "returntype": "TEXT",
42         }
43         session = requests.Session()
44         r = session.post(loginURL, data=postData)
45         jsonStr = r.content.decode('gbk')
46         info = json.loads(jsonStr)
47         if info["retcode"] == "0":
48             print "Get Cookie Success!( Account:%s )" % account
49             cookie = session.cookies.get_dict()
50             cookies.append(cookie)
51         else:
52             print "Failed!( Reason:%s )" % info['reason']
53     return cookies
54  
55  
56 cookies = getCookies(myWeiBo)
57 print "Get Cookies Finish!( Num:%d)" % len(cookies)

在成为一个优秀的Python开发工程师的道路上,充满了汗水和辛劳

初学者对Python开发能做什么,学的时候该按照什么线路去学习,学完往哪方面发展?想深入系统了解Python可以复制有道云链接到浏览器打开系统的了解学习:http://note.youdao.com/noteshare?id=e4fa02e7b56d7909a27674cdb3da08aa

开发工具、学习资料等都有分享,还有专业的老师在线免费直播分享答疑!

你可能感兴趣的:(Python爬虫教程-新浪微博分布式爬虫分享)