爬虫工作量由小到大的思维转变---＜第三十七章 Scrapy redis里面的key ＞

前言:

终于找到机会,开始把scrapy-redis细致地给大伙通一通了! 为什么非要细致讲scrapy-redis呢?

• 1.市面上关于scrapy-redis的教程,都比较笼统; demo级别好写,但是一旦上了项目,就问题百出!
• 2.scrapy-redis里面的思路,其实跟单个爬虫或者集合式爬虫他的思路有点不一样;

正文:

在使用Scrapy-Redis进行Scrapy分布式爬虫时，Redis中会出现一些特定的key，用于存储爬虫在运行过程中所需的数据。其中两个重要的key是"爬虫名:dupefilter"和"爬虫名:requests"。

1. "爬虫名:dupefilter":

   • 功能：该key用于存储去重集合，用来避免在分布式爬取过程中重复请求相同的URL。
   • 工作原理：当爬虫向Redis请求队列添加一个新的请求时，它会先检查该请求是否已经存在于去重集合中。如果已经存在，则该请求会被忽略，不会再次被添加到队列中。如果该请求不存在于去重集合中，才会将其加入待抓取队列，并将其标记在去重集合中，以避免未来重复抓取。

2. "爬虫名:requests":

   • 功能：该key用于存储待抓取请求队列，实际上是一个列表结构。
   • 工作原理：所有从spider发出且尚未被执行的Requests都会被序列化后存储在这个列表中。Scrapy-Redis的爬虫实例会不断从这个队列中取出Requests来执行。当一个Requests被取出并由某个爬虫实例成功抓取后，它就会从队列中移除。这样，即使有多个爬虫实例在运行，它们可以共享这个请求队列，实现分布式爬取的效果。

通过合理使用这两个key，Scrapy-Redis能够实现分布式爬虫的高效并发和去重处理。通过去重集合的机制，避免了重复请求相同的URL，提高了爬取效率。同时，利用请求队列的机制，多个爬虫实例可共享相同的待抓取请求，实现分布式集群化爬取，进一步加速数据采集过程。

案例说明:

spider.py

import scrapy
from scrapy_redis.spiders import RedisSpider


class MySpider(RedisSpider):
    name = 'my_spider' # 爬虫名称
    allowed_domains = ['example.com'] # 允许爬取的域名列表

    def parse(self, response):
        # 解析响应数据的代码逻辑
        # ...
    
    # 获取详情页URL
        detail_urls = response.xpath('//a[@class="detail-link"]/@href').getall()
        # 将解析到的详情页URL加入Redis请求队列
        for url in detail_urls:
            yield scrapy.Request(url, callback=self.parse_detail)

    def parse_detail(self, response):
        # 解析详情页面的代码逻辑
        # ...

    def make_request_from_data(self, data):
        url = data.decode('utf-8')
        return scrapy.Request(url, callback=self.parse_detail)

    def start_requests(self):
        # 起始URL
        url = 'http://example.com'
        yield scrapy.Request(url, callback=self.parse)

    def redis_key(self, spider):
        # 设置Redis key为 "jihaiend2:requests"
        return f'{spider}:requests'
            
    

settings.py

REDIS_HOST = 'localhost' # Redis主机地址
REDIS_PORT = 6379 # Redis端口
DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter' # 去重过滤器类
SCHEDULER = 'scrapy_redis.scheduler.Scheduler' # 调度器类
SCHEDULER_PERSIST = True # 设置为True，保持爬虫状态持久化
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue' # 队列调度器类

main.py

from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings


spider = MySpider() # 创建爬虫实例
process = CrawlerProcess(get_project_settings()) # 创建爬虫进程
process.crawl(spider) # 添加爬虫到进程
process.start() # 启动爬虫进程进行爬取

对这两个keys的操作:

在Scrapy-Redis中，可以通过以下方式对 "dupefilter" 和 "requests" 这两个关键Key进行操作：

1. 对 "dupefilter"（去重集合）的操作：

   • 添加请求：在爬虫代码中，在发送请求之前，可以通过调用 request.dont_filter = False 来确保该请求被添加到去重集合中。
   • 检查请求是否重复：Scrapy-Redis会自动检查请求的URL是否已经存在于去重集合中，如果存在，则认为该请求是重复的，不会被发送。这样可以避免重复请求相同的URL。

2. 对 "requests"（待抓取请求队列）的操作：

   • 添加请求：在爬虫代码中，通过调用 yield scrapy.Request(url, callback=callback_function) 来将请求加入到Redis的请求队列中。其中 url 是要抓取的URL，callback_function 是对应的回调函数，用于处理该请求的响应。
   • 获取请求：爬虫实例会从Redis的请求队列中获取待抓取的请求，并将其分配给相应的回调函数进行处理。
   • 处理请求：在回调函数中，可以对从请求队列中获取的请求进行解析、处理和提取数据等。

通过上述操作，我们可以很方便地对这两个关键Key进行操作，实现分布式爬虫的去重和请求共享功能。Scrapy-Redis会自动处理 "dupefilter" 的去重机制和 "requests" 的请求队列，无需手动管理和操作。

如果你发现,你的redis里面并没有出现这两个keys,那么如何排查呢?

排查问题:

当 "dupefilter"（去重集合）和 "requests"（待抓取请求队列）这两个关键Key出现异常时，最可能的问题源头可以在以下几个方面：

1. 配置错误：检查Scrapy-Redis的配置是否正确设置。确保在settings.py文件中正确配置了Redis的连接信息、去重过滤器、调度器和队列调度器等相关设置。

2. Redis连接问题：如果无法连接到Redis服务器，就无法正确使用这两个关键Key。检查Redis的主机地址、端口以及身份验证等连接参数是否正确，并确保Redis服务器正在运行。

3. 网络通信问题：如果Scrapy爬虫无法与Redis服务器进行通信，可能是由于网络配置或防火墙等原因导致的。确保Redis服务器对Scrapy爬虫所在的机器可访问，并允许相应的端口通信。

4. 错误的Key名称：如果 "dupefilter" 和 "requests" 的Key名称配置不正确，Scrapy-Redis将无法找到相应的Key，并可能导致异常。请确保将这两个Key的名称配置正确，并与Redis中对应的Key名称匹配。

5. 异步任务处理问题：Scrapy-Redis通过异步任务处理请求队列和去重集合，在某些情况下，可能会有一些异步任务处理失败或超时。在这种情况下，需要检查和调整异步任务处理的相关设置，例如提高超时时间或增加异步任务处理的并发能力。

以上是一些常见的问题源头，可能导致 "dupefilter" 和 "requests" 这两个关键Key出现异常。在调试和排查问题时，应仔细检查并排除可能出现问题的这些方面，并确保正确配置和使用Scrapy-Redis的相关组件和功能。