爬虫入门之分布式爬虫

scrapy_redis

1. Scrapy_redis在scrapy的基础上实现了更多，更强大的功能，具体体现在：reqeust去重，爬虫持久化，和轻松实现分布式
2. 安装

pip3 install scrapy-redis

3.要使用分布式 Scrapy_Redis Settings.py设置文件中需要做一下配置
这里表示启用scrapy-redis里的去重组件，不实用scrapy默认的去重

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

使用了scrapy-redis里面的调度器组件，不使用scrapy默认的调度器

SCHEDULER = "scrapy_redis.scheduler.Scheduler"

允许暂停，redis请求的记录不会丢失，不清除Redis队列，可以恢复和暂停

SCHEDULER_PERSIST = True

下面这些是request的队列模式
scrapy-redis默认的请求队列形式（有自己的优先级顺序）
是按照redis的有序集合排序出队列的

#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"

队列形式，请求先进先出

#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"

使用了栈的形式，请求先进后出

#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"

ITEM_PIPELINES = { 
	'example.pipelines.ExamplePipeline': 300, 'scrapy_redis.pipelines.RedisPipeline': 400,
}

指定要存储的redis的主机的ip，默认存储在127.0.0.1

REDIS_HOST = 'redis的主机的ip'

定要存储的redis的主机的port，默认6379

REDIS_PORT = '6379'

导入 from scrapy_redis.spiders import RedisCrawlSpider

这个RedisCrawlSpider类爬虫继承了RedisCrawlSpider，能够支持分布式的抓取。
因为采用的是crawlSpider，所以需要遵守Rule规则，
以及callback不能写parse()方法。
同样也不再有start_urls了，取而代之的是redis_key，
scrapy-redis将key从Redis里pop出来，成为请求的url地址。

注意：
同样的，RedisCrawlSpider类不需要写start_urls：

• scrapy-redis 一般直接写allowd_domains来指定需要爬取的域，也可以从在构造方法__init__()里动态定义爬虫爬取域范围（一般不用）。
• 必须指定redis_key，即启动爬虫的命令，参考格式：redis_key = ‘myspider:start_urls’
• 根据指定的格式，start_urls将在 Master端的 redis-cli 里 lpush 到 Redis数据库里，RedisSpider 将在数据库里获取start_urls。
  执行方式

1.通过runspider方法执行爬虫的py文件（也可以分次执行多条），爬虫（们）将处于等待准备状态：

scrapy runspider myspider_redis.py

或者

scrapy crawl myspider_redis

2 .在Master端的redis-cli输入push指令，参考格式(指定起始url)：

lpush myspider:start_urls http://www.dmoz.org/

3.Slaver端爬虫获取到请求，开始爬取。

scrapy和scrapy-redis有什么区别？为什么选择redis数据库？

1) scrapy是一个Python爬虫框架，爬取效率极高，具有高度定制性，但是不支持分布式。而scrapy-redis一套基于redis数据库、运行在scrapy框架之上的组件，可以让scrapy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。

2) 为什么选择redis数据库，因为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读取效率非常高。