Scrapy-Redis入门实战

目录

简介

Scrapy-Redis特性

Scrapy-Redis示例

开发环境

创建项目

定义Item

创建Spider

修改配置

启动爬虫

---

简介

scrapy-redis是一个基于redis的scrapy组件，用于快速实现scrapy项目的分布式部署和数据爬取，其运行原理如下图所示。

Scrapy-Redis特性

分布式爬取

你可以启动多个共享同一redis队列的爬虫实例，多个爬虫实例将各自提取到或者已请求的Requests在队列中统一进行登记，使得Scheduler在请求调度时能够对重复Requests进行过滤，即保证已经由某一个爬虫实例请求过的Request将不会再被其他的爬虫实例重复请求。

分布式数据处理

将scrapy爬取到的items汇聚到同一个redis队列中，意味着你可以根据你的需要启动尽可能多的共享这个items队列的后处理程序。

Scrapy即插即用组件

Scheduler调度器 + Duplication重复过滤器、Item Pipeline、基础Spider爬虫

Scrapy-Redis示例

本文将以爬取京东所有图书分类下的图书信息为例对Scrapy-Redis的用法进行示例。

开发环境

• Python 3.7
• Redis 3.2.100

下面列举出了 Python 中 Scrapy-Redis 所需要的各个模块及其版本：

• redis 2.10.6
• redis-py-cluster 1.3.6
• scrapy-redis 0.6.8
• scrapy-redis-cluster 0.4

在开发之前需要先安装好以上模块，以scrapy-redis-cluster模块为例，使用pip进行安装的命令如下：

pip install scrapy-redis-cluster # 安装模块
pip install scrapy-redis-cluster==0.4 # 安装模块时指定版本
pip install --upgrade scrapy-redis-cluster # 升级模块版本

创建项目

在Windows命令行执行如下命令完成项目创建：

d:\scrapy>scrapy startproject jd_book

执行完该命令后，将会在当前目录下创建包含下列内容的 jd_book 目录：

定义Item

在items.py中把我们将要爬取的图书字段预先定义好。

# -*- coding: utf-8 -*-

import scrapy

class JdBookItem(scrapy.Item):
    b_cate = scrapy.Field() # 图书所属一级分类名称
    s_cate = scrapy.Field() # 图书所属二级分类名称
    s_href = scrapy.Field() # 图书所属二级分类地址
    book_name = scrapy.Field() # 名称
    book_img = scrapy.Field() # 封面图片地址
    book_author = scrapy.Field() # 作者
    book_press = scrapy.Field() # 出版社
    book_publish_date = scrapy.Field() # 出版日期
    book_sku = scrapy.Field() # 商品编号
    book_price = scrapy.Field() # 价格

创建Spider

在Windows命令行执行如下命令完成Spider创建：

d:\scrapy\jd_book>cd jd_book
d:\scrapy\jd_book>scrapy genspider jdbook jd.com

执行完该命令后，将会在 jd_book 的 spiders 目录下生成一个 jdbook.py 文件 ：

 jdbook.py的完整爬虫代码如下。

# -*- coding: utf-8 -*-
import scrapy
import json
import urllib
from copy import deepcopy
from jd_book.items import JdBookItem

class JdbookSpider(scrapy.Spider):
    name = 'jdbook'
    allowed_domains = ['jd.com','3.cn']
    start_urls = ['https://book.jd.com/booksort.html']

    def parse(self, response): # 处理图书分类页
        dt_list = response.xpath("//div[@class='mc']/dl/dt") # 提取一级分类元素
        for dt in dt_list:
            item = JdBookItem()
            item["b_cate"] = dt.xpath("./a/text()").extract_first() # 提取一级分类名称
            em_list = dt.xpath("./following-sibling::dd[1]/em") # 提取二级分类元素
            for em in em_list:
                item["s_cate"] = em.xpath("./a/text()").extract_first() # 提取二级分类名称
                item["s_href"] = em.xpath("./a/@href").extract_first() # 提取二级分类地址
                if item["s_href"] is not None:
                    item['s_href'] = "https:" + item['s_href'] # 补全二级分类地址
                    yield scrapy.Request(item['s_href'], callback=self.parse_book_list, meta={"item": deepcopy(item)})

    def parse_book_list(self, response): # 处理二级分类下图书列表页
        item = response.meta['item']
        li_list = response.xpath("//div[@id='plist']/ul/li") # 提取所有的图书元素
        for li in li_list:
            item["book_img"] = li.xpath(".//div[@class='p-img']//img/@data-lazy-img").extract_first()
            if item["book_img"] is None:
                item["book_img"] = li.xpath(".//div[@class='p-img']//img/@src").extract_first()
            if item["book_img"] is not None:
                item["book_img"] = "https:"+item["book_img"]
            item["book_name"] = li.xpath(".//div[@class='p-name']/a/em/text()").extract_first().strip()
            item["book_author"] = li.xpath(".//span[@class='author_type_1']/a/text()").extract()
            item["book_press"] = li.xpath(".//span[@class='p-bi-store']/a/@title").extract_first()
            item["book_publish_date"] = li.xpath(".//span[@class='p-bi-date']/text()").extract_first().strip()
            item["book_sku"] = li.xpath("./div/@data-sku").extract_first()
            price_url = "https://p.3.cn/prices/mgets?skuIds=j_{}".format(item["book_sku"]) # 提取图书价格请求地址
            yield scrapy.Request(price_url, callback=self.parse_book_price, meta={"item": deepcopy(item)})

        # 提取列表页下一页地址
        next_url = response.xpath("//a[@class='pn-next']/@href").extract_first()
        if next_url is not None:
            next_url = urllib.parse.urljoin(response.url, next_url)
            # yield scrapy.Request(next_url,callback=self.parse_book_list,meta={"item":item})

    def parse_book_price(self, response):
        item = response.meta['item']
        item["book_price"] = json.loads(response.body.decode())[0]["op"]
        yield item

修改配置

在settings.py 中增加Scrapy-Redis相关配置。

# -*- coding: utf-8 -*-

BOT_NAME = 'jd_book'

SPIDER_MODULES = ['jd_book.spiders']
NEWSPIDER_MODULE = 'jd_book.spiders'

# Crawl responsibly by identifying yourself (and your website) on the user-agent
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False


######################################################
##############下面是Scrapy-Redis相关配置################
######################################################

# 指定Redis的主机名和端口
REDIS_HOST = 'localhost'
REDIS_PORT = 6379

# 调度器启用Redis存储Requests队列
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

# 确保所有的爬虫实例使用Redis进行重复过滤
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# 将Requests队列持久化到Redis，可支持暂停或重启爬虫
SCHEDULER_PERSIST = True

# Requests的调度策略，默认优先级队列
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'

# 将爬取到的items保存到Redis 以便进行后续处理
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300
}

启动爬虫

至此京东图书项目就算配置完成了，你可以将项目部署到多台服务器中去，并使用如下命令来启动爬虫：

 

d:\scrapy\jd_book>scrapy crawl jdbook

爬取到的图书数据结构如下：

相应地，在Redis数据库中同时生成了如下3个键：

其中，jdbook:requests 中保存了待爬取的Request对象；jdbook:dupefilter 中保存了已经爬取过的Request对象的指纹；jdbook:items中保存了爬取到的Item对象。

 通过上述京东图书项目不难看出，scrapy-redis项目与普通的scrapy项目相比，除了在settings.py配置时额外增加了一些scrapy-redis的专属配置外，其他环节完全相同。

参考文章

 https://scrapy-redis.readthedocs.io/en/stable/index.html