Python爬虫第十天:数据存储MySql-Redis|Scrapy-Redis|分布式爬虫部署

内容简述:             

    一:数据存储-MySQL|Redis             

    二:分布式爬虫Scrapy-Redis  

    三:分布式爬虫源码解读

    四:分布式爬虫部署    

一:数据存储-MySql    

  【案例】-读书项目   

    from scrapy.utils.project importget_project_settings   

        settings = get_project_settings()  

二:分布式爬虫-Scrapy-Redis

   概述:是实现Scrapy分布式爬取而提供了一些以redis为基础的组件。

   组件包含:

            Scheduler –调度器

            Duplication Filter –指纹去重

            Item Pipeline-管道

            Base Spider- 基础Spider

   组件作用:

      a-调度器:

           负责对新的request进行入列操作以及取出要出列的request

            管理维护待爬取字典队列结构,使用Scrapy-redis的scheduler组件

            原来Scheduler已经无法使用

     补充说明:

            Scrapy改造了python原来的双向队列形成了自己的Scrapy queue但Scrapy多个spider不能共享待爬取队列Scrapy queue.即Scrapy本身不支持分布式爬虫。                                Scrapy-redis 解决把Scrapy queue换成redis数据库(redis队列),从同一个redis-server存放要待爬取的request,方便多个spider去同一个数据库里读取。

    b-指纹去重(过滤器):

          Scrapy-redis去重依赖于Duplication Filter组件。其底层利用redis的set不重复特性

    具体底层去重细节:

            1-scrapy-redis调度器从引擎接受request,将reques的指纹存入redis的set检查是否重复,并将不重复的request push写入redis的 request queue。                                                2-引擎请求request时,调度器从redis的request queue里根据优先级弹出一个request 返回给引擎,引擎将此request发给spider处理。

  c-管道:

        引擎将Spider返回的爬取到的Item给Item Pipeline。scrapy-redis的Item Pipeline将爬取到的Item存入redis的items queue。ItemPipeline可根据key从items queue提取item从而实现items processes集群

   Scrap-Redis原理:  

Python爬虫第十天:数据存储MySql-Redis|Scrapy-Redis|分布式爬虫部署_第1张图片

三:官方例子源码解读

        https://github.com/rmax/scrapy-redis

   三个爬虫样本

      dmoz.py  传统的CrawlSpider,目的是让数据保存到redis中。运行: scrapy crawl dmoz

      myspider_redis.py 继承RedisSpider,start_urls被redis_key替代,allow_domains不变

                【提示】官方用__init__方法来替换allow_domains不支持目前的版本

      mycrawler_redis.py  继承RedisCrawlSpider,其它的和myspider_redis.py一样

      【温馨提示】后两种爬虫的运行方式为:

              scrapy runspider myspider_redis.py

              scrapy runspider mycrawler_redis.py

      【温馨提示】

             from scrapy_redis.spidersimport RedisSpider

             from scrapy_redis.spiders importRedisCrawlSpider

             是scrapy_redis新增加的两个组件,都是继承自官方的Spider、CrawlSpider

四:使用redis存储

            pip install scrapy-redis

          【温馨提示】

            在爬取网站的时候,将settings 中的DOWNLOAD_DELAY选项打开。

              DOWNLOAD_DELAY = 1

五:分布式爬虫部署

     执行说明:

         现在有5台电脑c1 c2 c3 c4 c5,computer3上面安装的是redis服务器,master端(主节点)   c1|c2|c4|c5都从c3的redis上面获取请求或将请求添加到c3的redis服务器中,  slave端(从节点)首先启动,页面会停止在那里等待指令,此时master通过lpush向队列中添加一个起始url。其中一个slave端获取到这个url开始爬取,此slave端会将解析之后的很多url再次的添加到redis服务中,然后redis服务再从请求队列中向每个slave端分发请求,最终直到所有请求爬取完毕为止。

     文件中配置内容:

          scrapy_redis指纹去重类

                DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

          调度器是scrapy_redis的调度器

                SCHEDULER ="scrapy_redis.scheduler.Scheduler"

          爬取的过程中是否允许暂停

                SCHEDULER_PERSIST = True

         配置存储的redis服务器

                REDIS_HOST = '10.0.112.191'

                REDIS_PORT = 6379

    运行操作说明:

           scrapy runspider mycrawler_redis.py

           master端向队列中添加起始url。key就是代码中的redis_key

           lpush fen:start_urls 'http://www.dytt8.net/html/gndy/dyzz/index.html'

你可能感兴趣的:(Python爬虫第十天:数据存储MySql-Redis|Scrapy-Redis|分布式爬虫部署)