使用 scrapy, scrapy-redis, graphite 实现的京东分布式爬虫,以 mongodb 实现底层存储。分布式
实现,解决带宽和性能的瓶颈,提高爬取的效率。实现 scrapy-redis 对进行 url 的去重
以及调度,利用redis的高效和易于扩展能够轻松实现高效率下载:当redis存储或者访问速
度遇到瓶颈时,可以通过增大redis集群数和爬虫集群数量改善
版本支持
现在支持Py2 和 Py3, 但是需要注意的是,为了兼容Py2, 默认不开启Graphite, 如果需要开启的话,需要Py3 并且修改 settings.py 的 ENABLE_GRAPHITE 字段,默认为False
爬取策略
获取 标签里面的 url 值,然后迭代爬取,并且把 url 限定在~xxx.jd.com~
范围内,防止无限广度的问题。在爬取某个页面的商品的时候,会把同一个商品的不同
规格爬取下来,例如32GIPhone,64GIPhone, 126GIPhone 等。
请求去重策略
使用 `scrapy_redis.dupefilter.RFPDupeFilter` 实现去重,请求入队列的逻辑-
enqueue_request,
而具体的去重逻辑是调用
scrapy.utils.request.request.fingerprint
商品去重策略
使用 Redis 进行商品去重,将商品的 sku-id 放入Redis, 在将整个商品数据插入到
Mongodb 之前,先检查 Redis 里sku-id 是否已存在
反反爬虫策略
禁用 cookie
通过禁用 cookie, 服务器就无法根据 cookie 判断出爬虫是否访问过网站
伪装成搜索引擎
现在可以通过修改 user-agent 伪装成搜索引擎
'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)',
'Mozilla/5.0 (compatible; Bingbot/2.0; +http://www.bing.com/bingbot.htm)',
'Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com/help/us/ysearch/slurp)',
'DuckDuckBot/1.0; (+http://duckduckgo.com/duckduckbot.html)',
'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)',
'Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)',
'ia_archiver (+http://www.alexa.com/site/help/webmasters; [email protected])',
轮转 user-agent
为了提高突破反爬虫策略的成功率,定义多个user-agent, 然后每次请求都随机选择
user-agent。本爬虫实现了一个 RotateUserAgentMiddleware 类来实现 user-agent
的轮转
代理 IP
使用代理 IP, 防止 IP 被封
爬虫状态监控
将爬虫stats信息(请求个数,item下载个数,dropItem个数,日志)保存到redis中
实现了一个针对分布式的stats collector,并将其结果用graphite以图表形式动态实时显示
并发请求和深度控制
通过 setting.py 中的 CONCURRENT_REQUESTS = 32 配置来控制并发请求数量,通过
DepthMiddle 类的 DEPTH_LIMIT=max 参数来控制爬虫的的递归深度
项目依赖
python 3.5+
scrapy
scrapy-redis
pymongo
graphite (可选)
如何运行
git clone https://github.com/samrayleung/jd_spider.git
然后安装 python依赖
(sudo) pip install -r requirements.txt
安装Graphite(可选)
docker 安装
安装配置 graphite. 需要注意的是 graphite 只适用于 Linux 平台,且安装过程非常
麻烦,所以强烈建议使用 docker 进行安装。我基于 docker-graphite-statsd 这个
graphite 的镜像作了些许配置文件的修改,以适配 scrapy. 运行以下命令以拉取并运
行 image
sudo docker run -d\
--name graphite\
--restart=always\
-p 80:80\
-p 2003-2004:2003-2004\
-p 2023-2024:2023-2024\
-p 8125:8125/udp\
-p 8126:8126\
samrayleung/graphite-statsd
username: root
password: root
手动安装
当然,你也可以自己配置 graphite, 在成功配置 graphite 之后,需要修改一些配置:
把 /opt/graphite/webapp/content/js/composer_widgets.js 文件中
toggleAutoRefresh 函数里的 interval 变量从60改为1。
在配置文件 storage-aggregation.conf 里添加:
[scrapy_min]
pattern = ^scrapy\..*_min$
xFilesFactor = 0.1
aggregationMethod = min
[scrapy_max]
pattern = ^scrapy\..*_max$
xFilesFactor = 0.1
aggregationMethod = max
[scrapy_sum]
pattern = ^scrapy\..*_count$
xFilesFactor = 0.1
aggregationMethod = sum
而 storage-aggregation.conf 这个配置文件一般是位于 /opt/graphite/conf
运行
一切准备就绪之后,就可以运行爬虫了。
进入到 jd 目录下:
scrapy crawl jindong
注意事项
需要注意的是,本项目是含有两只爬虫,爬取商品评论需要先爬取商品信息,因为有了
商品信息才能爬取评论
代理 IP
虽然不使用代理 IP 可以爬取商品信息,但是可能爬取一段时间后就无法爬取商品信息,
所以需要添加代理 IP. 以 http://ip:port 的形式保存到文本文件,每行一个 IP,然后
在 setting 中指定路径:
PROXY_LIST = 'path/to/proxy_ip.txt'
并且去掉下面配置的注释:
RETRY_TIMES = 10
RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
'scrapy_proxies.RandomProxy': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
}
PROXY_MODE = 0
运行截图
graphite 监控
评论
评论总结
商品信息
Todo
Done 优化商品去重策略Issue:解决 爬取重复商品
Todo 优化爬取策略
Todo 增加新的解析策略
ChangeLog
2018-9-30
新增 Pipenv 支持
增加 py2 支持
默认不开启 Graphite
将爬虫修改回继承 RedisSpider
修复Github 提示的可能存在漏洞的包
感觉JD 的反爬虫策略明显加强,尝试爬了一会,很快被封IP
这个应该最后一次Update, 不会再投入精力到这个爬虫项目了
2018-4-4
将 Graphite 修改为可选项
参考及致谢