新浪微博分布式爬虫分享
代码请移步GitHub:SinaSpider
(上面有跳转链接,别再问我代码在哪里了)
爬虫功能:
- 此项目实现将单机的新浪微博爬虫(见《新浪微博爬虫分享(一天可抓取 1300 万条数据)》)重构成分布式爬虫。
- Master机只管任务调度,不管爬数据;Slaver机只管将Request抛给Master机,需要Request的时候再从Master机拿。
环境、架构:
- 开发语言:Python2.7
- 开发环境:64位Windows8系统,4G内存,i7-3612QM处理器。
- 数据库:MongoDB 3.2.0、Redis 3.0.501
(Python编辑器:Pycharm;MongoDB管理工具:MongoBooster;Redis管理工具:RedisStudio)
爬虫框架使用 Scrapy,使用 scrapy_redis 和 Redis 实现分布式。
- 分布式中有一台机充当Master,安装Redis进行任务调度,其余机子充当Slaver只管从Master那里拿任务去爬。原理是:Slaver运行的时候,scrapy遇到Request并不是交给spider去爬,而是统一交给Master机上的Redis数据库,spider要爬的Request也都是从Redis中取来的,而Redis接收到Request后先去重再存入数据库,哪个Slaver要Request了再给它,由此实现任务协同。
使用说明:
- Python需要安装好Scrapy、pymongo、json、base64、requests。
- Master机只需要安装好Redis即可(内存要求大点),Slaver机需要安装python环境和MongoDB来存储数据。如果想要将数据都存储到一台机子上,直接改一下爬虫程序(pipeline)里面MongoDB的IP即可,或者建议搭建一个MongoDB集群。Redis和MongoDB都是安装好即可,不需要配置。
- 将你用来登录的微博账号和密码加入到 cookies.py 文件中,里面已经有两个账号作为格式参考了。
- 可以修改scrapy里面setting的设置,例如间隔时间、日志级别、redis的IP等等。
- 以上配置完以后运行 Begin.py 即可。重申Master机不需要跑程序,它的功能是利用Redis进行任务调度。Slaver机跑爬虫,新增一台Slaver机,只需要把python环境和MongoDB搭建好,然后将代码复制过去直接运行就行了。
转载请注明出处,谢谢!(原文链接:http://blog.csdn.net/bone_ace/article/details/50904718)
新浪微博分布式爬虫分享相关推荐
- python微博爬虫教程_Python爬虫教程-新浪微博分布式爬虫分享
爬虫功能: 此项目实现将单机的新浪微博爬虫重构成分布式爬虫. Master机只管任务调度,不管爬数据:Slaver机只管将Request抛给Master机,需要Request的时候再从Master机拿 ...
- 新浪微博爬虫分享(2016年12月01日更新)
前言: 上篇文章:<新浪微博爬虫分享(一天可抓取 1300 万条数据)>.<新浪微博分布式爬虫分享> Github地址:SinaSpider Q群讨论: 更新完<QQ空间 ...
- Scrapy+redis+mongodb分布式爬虫抓取小说《冰与火之歌1-5》
一年前写了python简单实战项目:<冰与火之歌1-5>角色关系图谱构建的数据库设计和数据可视化共现图谱的构建,中间唯独缺了数据的采集,因为想着只是个小爬虫,应该无关痛痒,后面也觉得这个系 ...
- 《Java EE企业级应用开发》,《分布式爬虫》等书包邮送50本!企业开发利器!...
来给大家送一波福利,这次联系了10个好友一起给各位送书,每个号送 5 本,一共 50本,还包邮哦. 感谢传智播客对本次活动的赞助. 金主介绍:传智播客是国内数一数二的IT培训机构,现在关注传智播客 ...
- Scrapy+Scrapy-redis+Scrapyd+Gerapy 分布式爬虫框架整合
简介:给正在学习的小伙伴们分享一下自己的感悟,如有理解不正确的地方,望指出,感谢~ 首先介绍一下这个标题吧~ 1. Scrapy:是一个基于Twisted的异步IO框架,有了这个框架,我们就不需要等待 ...
- 众推平台架构——分布式爬虫
分布式爬虫架构 经过新一轮的投票,项目的范围已经基本确定. 大家决定 全力以付,集中攻克"分布式爬虫". 分布式爬虫架构1 使用队列,即生产者,消费都模式. 由于生产者将规则生成到 ...
- 手把手教你搭建一个基于Java的分布式爬虫系统
http://blog.51cto.com/xpleaf/2093952 1 概述 在不用爬虫框架的情况,经过多方学习,尝试实现了一个分布式爬虫系统,并且可以将数据保存到不同地方,类似MySQL.HB ...
- 分布式爬虫系统设计、实现与实战:爬取京东、苏宁易购全网手机商品数据+MySQL、HBase存储...
http://blog.51cto.com/xpleaf/2093952 1 概述 在不用爬虫框架的情况,经过多方学习,尝试实现了一个分布式爬虫系统,并且可以将数据保存到不同地方,类似MySQL.HB ...
- 基于SpringBoot和Vue的分布式爬虫系统(JavaWeb)
前言 本期案例分享,学长给大家上点干货,手把手带你开发一个分布式爬虫系统.通过这个项目,你将学习到下面几点: 架构设计.如果设计一个通用的爬虫系统?一个系统支持爬取所有的网站. 分布式开发经验.分布式 ...
最新文章
- 华为服务器HBA卡在哪个位置,服务器hba 设置
- spring bean scope作用域及多线程安全问题场景分析
- linux 26,Linux常用26条命令
- SAP Commerce Cloud Spartacus UI 的购物车 Cart 功能
- python函数-函数进阶
- 【转】ABP源码分析四十四:ZERO的配置
- 【转】[完全免费] 在线UML Class Diagram 类图工具 - 教程第1部分
- juniper CLI 基本操作
- 在Windows Phone中使用HTML编程
- sqlite3---终端操作
- Python常用模块 之 hashlib模块
- UnExpected Error, Quitting
- HGDB 数据库用户密码参数查询设置
- 视频原理和FFmpeg
- MikTex+texworks插入数学公式示例
- speedoffice(Excel)怎么给文字加粗
- TCP报文格式及三次握手详解
- java反射中method类中的invoke方法是做什么的,他有什么作用?
- 上海市行政管理学校96计算机,有编制!上海市行政管理学校招聘8人公告
- 使用Cocoapods创建私有podspec