Scrapy-Redis分布式爬虫框架详解-邮乐网(ule.com)
python编程快速上手(持续更新中…)
python爬虫从入门到精通
Scrapy爬虫框架
文章目录
- python编程快速上手(持续更新中…)
- python爬虫从入门到精通
- Scrapy爬虫框架
- 一、scrapy_redis概念作用和流程
- 1. 分布式是什么
- 2. scrapy_redis的概念
- 3. scrapy_redis的作用
- 4. scrapy_redis的原理
- 5. scrapy_redis的工作流程
- 5.1 回顾scrapy的流程
- 5.2 scrapy_redis的流程
- 二、scrapy_redis实现断点续爬
- 1. 下载github的demo代码
- 2. 观察dmoz文件
- 3. 运行dmoz爬虫,观察现象
- 4. scrapy_redis的原理分析
- 4.1 Scrapy_redis之RedisPipeline
- 4.2 Scrapy_redis之RFPDupeFilter
- 4.3 Scrapy_redis之Scheduler
- 4.4 由此可以总结出request对象入队的条件
- 4.5 实现单机断点续爬
- 5. 实现分布式爬虫
- 5.1 分析demo中代码
- 5.2 动手实现分布式爬虫步骤
- 三、爬取图书信息-邮乐网(https://ule.com)
- 1.全部商品分类-图书音像
- 2.代码实现
- 3.邮乐爬虫-修改为分布式爬虫
一、scrapy_redis概念作用和流程
如果当前网站的数据比较庞大, 几十亿数据,明天交付,我们就需要使用分布式来更快的爬取数据
1. 分布式是什么
简单的说 分布式就是不同的节点(服务器,ip不同)共同完成一个任务
缺点:
加快运行速度,运行总资源不会少
分散,增加风险
2. scrapy_redis的概念
scrapy_redis是scrapy框架的基于redis的分布式组件
3. scrapy_redis的作用
Scrapy_redis在scrapy的基础上实现了更多,更强大的功能,具体体现在:
通过持久化请求队列和请求的指纹集合来实现:
断点续爬,记录
分布式快速抓取
4. scrapy_redis的原理
去重集合
任务队列
数据队列(存)
5. scrapy_redis的工作流程
5.1 回顾scrapy的流程
思考:那么,在这个基础上,如果需要实现分布式,即多台服务器同时完成一个爬虫,需要怎么做呢?
5.2 scrapy_redis的流程
在scrapy_redis中,所有的待抓取的request对象和指纹去重的request对象都存在所有的服务器公用的redis中
所有的服务器中的scrapy进程公用同一个redis中的request对象的队列
所有的request对象存入redis前,都会通过该redis中的request指纹集合进行判断,之前是否已经存入过
在默认情况下所有的数据会保存在redis中
二、scrapy_redis实现断点续爬
1. 下载github的demo代码
clone github scrapy-redis源码文件
git clone https://github.com/rolando/scrapy-redis.git
研究项目自带的demo
scrapy-redis/example-project/example
2. 观察dmoz文件
在domz爬虫文件中,实现方式就是之前的crawlspider类型的爬虫,修改allowed_domains与start_urls
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Ruleclass DmozSpider(CrawlSpider):"""Follow categories and extract links."""name = 'dmoz'allowed_domains = ['dmoztools.net']start_urls = ['http://dmoztools.net/'] # 这里修改了url# 定义数据提取规则,使用了css选择器rules = [Rule(LinkExtractor(restrict_css=('.top-cat', '.sub-cat', '.cat-item')), callback='parse_directory', follow=True),]def parse_directory(self, response):for div in response.css('.title-and-desc'):yield {'name': div.css('.site-title::text').extract_first(),'description': div.css('.site-descr::text').extract_first().strip(),'link': div.css('a::attr(href)').extract_first(),}
但是在settings.py中多了以下内容,这几行表示scrapy_redis中重新实现的了去重的类,以及调度器,并且使用RedisPipeline管道类
SPIDER_MODULES = ['example.spiders']
NEWSPIDER_MODULE = 'example.spiders'USER_AGENT = 'scrapy-redis (+https://github.com/rolando/scrapy-redis)'# 设置重复过滤器的模块
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 设置调取器,scrap_redis中的调度器具备与数据库交互的功能
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 设置当爬虫结束的时候是否保持redis数据库中的去重集合与任务队列
SCHEDULER_PERSIST = True
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"ITEM_PIPELINES = {'example.pipelines.ExamplePipeline': 300,# 当开启该管道,该管道将会把数据存到Redis数据库中'scrapy_redis.pipelines.RedisPipeline': 400,
}
# 设置redis数据库
REDIS_URL = "redis://127.0.0.1:6379"LOG_LEVEL = 'DEBUG'# Introduce an artifical delay to make use of parallelism. to speed up the
# crawl.
DOWNLOAD_DELAY = 0.5
3. 运行dmoz爬虫,观察现象
安装
pip install scrapy_redis
运行
cd scrapy-redis/example-project
scrapy crawl dmoz
我们执行domz的爬虫,会发现redis中多了一下三个键:
中止进程后再次运行dmoz爬虫
继续执行程序,会发现程序在前一次的基础之上继续往后执行,所以domz爬虫是一个基于url地址的增量式的爬虫
4. scrapy_redis的原理分析
我们从settings.py中的三个配置来进行分析
分别是:
RedisPipeline # 管道类
RFPDupeFilter # 指纹去重类
Scheduler # 调度器类
SCHEDULER_PERSIST # 是否持久化请求队列和指纹集合
4.1 Scrapy_redis之RedisPipeline
RedisPipeline中观察process_item,进行数据的保存,存入了redis中
4.2 Scrapy_redis之RFPDupeFilter
RFPDupeFilter 实现了对request对象的加密
4.3 Scrapy_redis之Scheduler
scrapy_redis调度器的实现了决定什么时候把request对象加入带抓取的队列,同时把请求过的request对象过滤掉
4.4 由此可以总结出request对象入队的条件
request的指纹不在集合中
request的dont_filter为True,即不过滤
start_urls中的url地址会入队,因为他们默认是不过滤
4.5 实现单机断点续爬
改写网易招聘爬虫,该爬虫就是一个经典的基于url地址的增量式爬虫
5. 实现分布式爬虫
5.1 分析demo中代码
打开example-project项目中的myspider_redis.py文件
from scrapy_redis.spiders import RedisSpiderclass MySpider(RedisSpider):"""Spider that reads urls from redis queue (myspider:start_urls)."""name = 'myspider_redis'redis_key = 'py21'def __init__(self, *args, **kwargs):# Dynamically define the allowed domains list.domain = kwargs.pop('domain', '')self.allowed_domains = filter(None, domain.split(','))super(MySpider, self).__init__(*args, **kwargs)def parse(self, response):return {'name': response.css('title::text').extract_first(),'url': response.url,}
settings.py中关键的配置
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = TrueITEM_PIPELINES = {'example.pipelines.ExamplePipeline': 300,'scrapy_redis.pipelines.RedisPipeline': 400,
}
REDIS_URL = "redis://127.0.0.1:6379"
打开3个窗口,分别运行
scrapy-redis\example-project\example\spiders
scrapy runspider myspider_redis.py
启用
lpush py21 http://www.badu.com
结果
开发步骤
1.继承自父类为RedisSpider
2.增加了一个redis_key的键,没有start_urls,因为分布式中,如果每台电脑都请求一次start_url就会重复
3.多了__init__方法,该方法不是必须的,可以手动指定allow_domains
4.启动方法:
在每个节点正确的目录下执行scrapy crawl 爬虫名,使该节点的scrapy_redis爬虫程序就位
在共用的redis中 lpush redis_key ‘start_url’,使全部节点真正的开始运行
5.settings.py中关键的配置
5.2 动手实现分布式爬虫步骤
三、爬取图书信息-邮乐网(https://ule.com)
1.全部商品分类-图书音像
首页
全部商品分类-图书/音像
计算机/网络
方案:涉及传参,使用spider爬虫
2.代码实现
A.创建项目
scrapy startproject ule
B.模型设计
class UleItem(scrapy.Item):# define the fields for your item here like:big_category = scrapy.Field()big_category_link = scrapy.Field()small_category = scrapy.Field()small_category_link = scrapy.Field()bookname = scrapy.Field()author = scrapy.Field()link = scrapy.Field()price = scrapy.Field()pass
C.创建爬虫
cd ule
scrapy genspider book ule.com
D.修改url:https://search.ule.com/
E.检查domain:ule.com
F.邮乐爬虫-大分类xpath
//*[@id=“fenlei10”]/div/div/div[1]/a
import scrapyclass BookSpider(scrapy.Spider):name = 'book'allowed_domains = ['ule.com']start_urls = ['https://search.ule.com/']def parse(self, response):# 获取所有图书大分类节点列表big_node_list = response.xpath('//*[@id="fenlei17"]/div/div/div[1]/a')for big_node in big_node_list:big_category = big_node.xpath('./text()').extract_first()big_category_link = response.urljoin(big_node.xpath('./@href').extract_first())print(big_category, big_category_link)
G.运行
scrapy crawl book
H.邮乐爬虫-获取小分类
根据大分类xpath获取小分类,上级兄弟节点div下a标签
//*[@id=“fenlei17”]/div[1]/div/div[1]/a/…/following-sibling::div[1]/a
# 获取所有图书小分类节点列表
small_node_list = big_node.xpath('../following-sibling::div[1]/a')
print(len(small_node_list))
break
I.模拟点击小分类链接
# 模拟点击小分类链接
yield scrapy.Request(url=temp['small_category_link'],callback=self.parse_book_list,meta={"py21": temp}
)
J.获取图书节点
//*[@id=“wrapper”]/div/div[5]/div[3]/div/ul/li/div
def parse_book_list(self, response):temp = response.meta['py21']book_list = response.xpath('//*[@id="wrapper"]/div/div[5]/div[3]/div/ul/li/div')print(len(book_list))for book in book_list:item = UleItem()# item['big_category'] = temp['big_category']# item['big_category_link'] = temp['big_category_link']# item['small_category'] = temp['small_category']# item['small_category_link'] = temp['small_category_link']item['bookname'] = book.xpath('./p[2]/a/text()').extract_first().strip()item['store'] = book.xpath('./p[2]/a/text()').extract_first().strip()item['link'] = response.urljoin(book.xpath('./p[1]/a[1]/@href').extract_first())# strong标签获取不到值# item['price'] = book.xpath('./div/span/strong/text()').extract_first()print(item)
运行效果
K.邮乐爬虫-图书价格
strong标签获取不到值,extract
通过分析可以从去详情的json获取
https://item-service.ule.com/itemserviceweb/api/v1/price/queryListingPrice?listId=3767119
# strong标签获取不到值,extract
# item['price'] = book.xpath('./div/span/strong').strip()# 获取图书编号
skuid = book.xpath('./p[1]/a[2]/@data-listingid').extract_first()
# print("1111111111111111111111: ", skuid)pri_url = 'https://item-service.ule.com/itemserviceweb/api/v1/price/queryListingPrice?listId=' + skuid
yield scrapy.Request(url=pri_url, callback=self.parse_price, meta={'meta_1': item})
# print(item)
def parse_price(self, response):item = response.meta['meta_1']dict_data = json.loads(response.body)# print("222222222: ", dict_data)item['price'] = dict_data['ulePrice']yield item
3.邮乐爬虫-修改为分布式爬虫
A.导入分布爬虫类
from scrapy_redis.spiders import RedisSpider
B.继承分布式爬虫类
class BookSpider(RedisSpider):
C.注销 allowed_domains和start_urls
#allowed_domains = [‘ule.com’]
#start_urls = [‘https://search.ule.com/’]
D.设置redis_key
redis_key = ‘py21’
E.设置__init__
def __init__(self, *args, **kwargs):domain = kwargs.pop('domain', '')self.allowed_domains = list(filter(None, domain.split(',')))super(BookSpider, self).__init__(*args, **kwargs)
D.修改settings
SPIDER_MODULES = ['ule.spiders']
NEWSPIDER_MODULE = 'ule.spiders'USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36'# 设置重复过滤器的模块
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 设置调取器,scrap_redis中的调度器具备与数据库交互的功能
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 设置当爬虫结束的时候是否保持redis数据库中的去重集合与任务队列
SCHEDULER_PERSIST = True
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"ITEM_PIPELINES = {# 'ule.pipelines.ExamplePipeline': 300,# 当开启该管道,该管道将会把数据存到Redis数据库中'scrapy_redis.pipelines.RedisPipeline': 400,
}
# 设置redis数据库
REDIS_URL = "redis://172.16.123.223:6379"# LOG_LEVEL = 'DEBUG'# Introduce an artifical delay to make use of parallelism. to speed up the
# crawl.
DOWNLOAD_DELAY = 1
运行:
cd ule\spiders
scrapy runspider book.py
测试:
lpush py21 https://search.ule.com/
Scrapy-Redis分布式爬虫框架详解-邮乐网(ule.com)相关推荐
- 基于redis的简易分布式爬虫框架
代码地址如下: http://www.demodashi.com/demo/13338.html 开发环境 Python 3.6 Requests Redis 3.2.100 Pycharm(非必需, ...
- python分布式爬虫框架_python之简单Scrapy分布式爬虫的实现
分布式爬虫:爬虫共用同一个爬虫程序,即把同一个爬虫程序同时部署到多台电脑上运行,这样可以提高爬虫速度. 在默认情况下,scrapy爬虫是单机爬虫,只能在一台电脑上运行,因为爬虫调度器当中的队列queu ...
- php使用redis分布式锁,php基于redis的分布式锁实例详解
在使用分布式锁进行互斥资源访问时候,我们很多方案是采用redis的实现. 固然,redis的单节点锁在极端情况也是有问题的,假设你的业务允许偶尔的失效,使用单节点的redis锁方案就足够了,简单而且效 ...
- 分布式锁(基于redis和zookeeper)详解
分布式锁(基于redis和zookeeper)详解 https://blog.csdn.net/a15835774652/article/details/81775044 为什么写这篇文章? 目前网上 ...
- 一个自定义python分布式爬虫框架。
一个分布式爬虫框架.比scrapy简单很多,不需要各种item pipeline middwares spider settings run文件之间来回切换写代码,这只需要一个文件,开发时候可以节约很 ...
- Redis数据库教程——系统详解学习Redis全过程
Redis数据库教程--系统详解学习Redis全过程 Redis快速入门:Key-Value存储系统简介 Key-Value存储系统: Key-Value Store是当下比较流行的话题,尤其 ...
- [redis] 10 种数据结构详解
[redis] 10 种数据结构详解 简介 5种常见数据结构 string: 最常见的 string key value list: 双向链表 set: 集合- zset: 有序集合 hash: 类似 ...
- 【夯实Spring Cloud】Spring Cloud分布式配置中心详解
本文属于[夯实Spring Cloud]系列文章,该系列旨在用通俗易懂的语言,带大家了解和学习Spring Cloud技术,希望能给读者带来一些干货.系列目录如下: [夯实Spring Cloud]D ...
- pomelo分布式聊天服务器详解
pomelo分布式聊天服务器详解 2014-01-05 11:43:49| 分类: node | 标签:pomelo pomelo聊天 nodejs分布式聊天 pomelo分布式 |举报| ...
最新文章
- 端到端对话模型新突破!Facebook发布大规模个性化对话数据库
- SIM PIN Lock
- 医疗在线服务InQuicker,融资0元年盈利400万美元!拒绝风投与炒作
- [USACO1.1]坏掉的项链Broken Necklace
- 【Python面试】 说说4种常用编码的区别?
- QT乱码总结4.细谈本地编码
- 安装Orchard错误
- 团队管理(3)---如何成为一名优秀的管理者
- python 解析命令行
- python三角网格代码_python中shapely的多多边形三角网格/网格
- qt .pro文件配置
- python 计算两个经纬度的距离_使用经纬度和海拔(高程)计算两点之间的距离...
- 怎样找一张图片的原图、出处?最全搜图网站+具体案例分享
- 2021年最完善的谷歌SEO关键词调研技巧
- Beaglebone Black – 智能家居控制系统 LAS - 插座组装
- 一文帮你理解模型选择方法:AIC、BIC和交叉验证!
- 突然断电对oracle的影响吗,当ORACLE突然断电,重新启动过程发生了哪些事?
- 单反相机照片用python 脚本添加gps位置信息
- 服务器验收性能标准,云服务器 验收
- openjudge 拯救行动
热门文章
- 正点原子STM32F103ZET6程序移植到STM32F103C8T6时Delay函数异常问题
- 详细解释大数定律+中心极限定理(三)
- 泉州高中计算机会考,关于2018年泉州市普通高中学业基础会考通用技术课程、物理、化学、生物实验操作考查有关事项的通知...
- 三峡计算机学院官网,三峡大学计算机与信息学院-王纪华
- ESP32S3 LED 灯实验
- 【剑指offer】登峰造极--包含min函数的栈
- STM32F4 RTC日历和Count转换
- 亚马逊跟卖快速出单跟卖方式,跟卖系统
- 宏基Acer笔记本预装win8系统换成win7系统安装教程
- sqlyogent navicat for mysql_如何用SQLyog、Navicat for MySQL实现远程连接MySQL