Python爬虫学习记录——17.分布式爬虫

朱雀 2023-06-11 05:27 115阅读 0赞

### 文章目录 ###

*   *  分布式系统
     *  scrapy\_redis分布式
     *  实战
     *  redis desktop manager软件安装及使用
     *  其他的分布式系统

## 分布式系统 ##

当爬取内容过多，需要多机合作的时候，就需要用到分布式系统，这节博客讲解一下分布式爬虫的实现。

**什么是分布式系统**  
分布式系统就是把一些计算机通过网络连接起来，然后协同工作  
**协同工作**需要解决两个问题：

*  任务分解  
    把一个问题拆解成若干个独立任务，每个任务在一台节点上运行，实现多任务的并发执行
 *  节点通信  
    节点之间互相通信，需要设计特定的通信协议来实现。协议可以采用RPC或Message Queue等方式

**分布式爬虫系统**

*  **scrapy\_redis**
    
     *  scrapy-redis是为了更方便地实现scrapy分布式爬取，而提供了一些以redis数据库为基础的组件
     *  scrapy-redis提供了维持待爬取url的去重以及储存requests的指纹验证。原理是：redis维持一个共同的url队列，各个不同机器上的爬虫程序获取到的url都保存在redis的url队列，各个爬虫都从redis的url队列获取url，并把数据统一保存在同一个数据库里面
     *  **本节博客主要讲授基于scrapy\_redis的分布式爬虫**
 *  **消息队列**
    
     *  MQ全称为Message Queue, 是一种分布式应用程序的的通信方法，消息发送后可以立即返回，由消息系统来确保消息的可靠传递
     *  它是**消费-生产者模型**的一个典型的代表，producer往消息队列中不断写入消息，而另一端consumer则可以读取或者订阅队列中的消息
     *  消息生产者只管把消息发布到 MQ 中而不用管谁来取，消息消费者只管从 MQ 中取消息而不管是谁发布的
 *  **RabbitMQ**
    
    RabbitMQ是MQ产品的典型代表，是一款基于AMQP协议可复用的企业消息系统。业务上，可以实现服务提供者和消费者之间的数据解耦，提供高可用性的消息传输机制，在实际生产中应用相当广泛
 *  **scrapy\_rabbitmq分布式**
    
    Scrapy-rabbitmq-link 是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件
 *  **celery初步**
    
    Celery 用消息通信，通常使用中间人（Broker）在客户端和程序间斡旋。这个过程从客户端向队列添加消息开始，之后中间人把消息派送给程序

## scrapy\_redis分布式 ##

**什么是Redis数据库**  
Redis是一个使用ANSI C编写的开源、支持网络、基于内存、可选持久性的键值对存储数据库

**安装Redis数据库及scrapy\_redi：**  
这里仅介绍Windows系统下的安装

1.  **下载Redis压缩包**  
    前往：https://github.com/MicrosoftArchive/redis/releases  
    或者前往网盘链接：http://pan.baidu.com/s/1i5f9xSL 密码：t5bo  
    下载Redis-x64-3.2.100.zip，并将其解压缩
2.  **安装Redis**  
    打开cmd，切换到解压的文件夹下执行命令
    
        redis-server –service-install redis.windows.conf –loglevel verbose
3.  **启动Redis服务**  
    在解压的文件夹下执行命令
    
        redis-server –service-start
4.  **安装scrapy\_redis**  
    启动cmd，使用pip安装scrapy\_redis
    
        pip install scrapy_redis

**Scrapy\_redis设置**  
在项目中进行如下的设置：

*  **更改去重对列**：**必有项**

SCHEDULER = "scrapy_redis.scheduler.Scheduler"

*  **利用Redis去重：必有项**

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

*  序列化方案

SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"

*  故障重跑

SCHEDULER_PERSIST = True

*  URL队列优先级

SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'

*  把item储存进Redis管道

ITEM_PIPELINES = {  
    'scrapy_redis.pipelines.RedisPipeline': 300 
    }

*  队列名字

REDIS_ITEMS_KEY = '%(spider)s:items'

*  配置连接

REDIS_HOST = 'localhost'
    REDIS_PORT = 6379 
    #或者 
    REDIS_URL = 'redis://user:pass@hostname:9001'

*  实例化一个Redis对象

REDIS_PARAMS[‘redis_cls’] = 'myproject.RedisClient'

*  设置set格式（不允许重复的元素）

REDIS_START_URLS_AS_SET = False

*  键值对中键值命名规则

REDIS_START_URLS_KEY = '%(name)s:start_urls'

*  编码方式

REDIS_ENCODING = 'latin1'

**启动scrapy\_redis**

1.  运行爬虫：
    
        scrapy crawl 爬虫名
2.  启动：（注意：启动的时候应该先切换到redis安装目录下）
    
     *  url选用的是list类型：
    
        redis-cli lpush myspider:start_urls http://google.com
    
    1.  url选用的是set类型：
    
        redis-cli sadd myspider:start_urls http://google.com

## 实战 ##

这次用的依然是上节课的city58的案例，只是修改了settings.py和city58\_test.py两个文件。

1.  **city58\_test.py**：实现翻页爬取
    
        # -*- coding: utf-8 -*-
        import scrapy
        from pyquery import PyQuery
        from ..items import City58Item
        
        from scrapy.http import Request
        from scrapy_redis.spiders import RedisSpider
        
        class City58TestSpider(RedisSpider):
            name = 'city58_test'
            allowed_domains = ['58.com']
            start_urls = ['http://bj.58.com/chuzu/']
        
            def parse(self, response):
                jpy = PyQuery(response.text)
                li_list = jpy('body > div.mainbox > div.main > div.content > div.listBox > ul > li').items()
                for it in li_list:
                    a_tag = it('div.des > h2 > a')
                    item = City58Item()
                    item['name'] = a_tag.text()
                    item['url'] = (a_tag.attr('href') if a_tag.attr('href') else '')
                    item['price'] = it('div.listliright > div.money > b').text()
        
                    yield item
        
                if not li_list:
                    return
                pn = response.meta.get('pn',1)  #得到meta中pn的数值，如果没有，就默认为1
                pn += 1
                #response.meta['pn'] = p
        
                if pn > 5
                    return
                #把相对路径转化为绝对路径，并request访问
                req = response.follow('/chuzu/pn{}/'.format(pn),   #拼接相对路径
                                      callback = self.parse,
                                      meta = { 'pn':pn}   #使用meta参数进行传值
                                      )
                yield req
2.  **settings.py**
    
        SCHEDULER = "scrapy_redis.scheduler.Scheduler"   #必有项：更改去重对列
        
        # Ensure all spiders share same duplicates filter through redis.
        DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"   #必有项：利用Redis去重
        
        #SCHEDULER_PERSIST = True #故障重跑
        REDIS_URL = 'redis://localhost:6379'   #配置连接
        #REDIS_START_URLS_AS_SET = False #设置set格式（不允许重复的元素）
3.  **运行时要记得在队列中塞入start\_urls**
    
        redis-cli lpush city58_test:start_urls http://bj.58.com

## redis desktop manager软件安装及使用 ##

1.  **Windows系统安装包下载**  
    前往网盘链接：http://pan.baidu.com/s/1gfpgQxt 密码：iz9u
2.  **根据提示进行安装**  
    只需要执行默认安装便可
3.  **打开软件，点击connect to redis server**
4.  **输入数据库名字，以及host和端口**  
    数据库名字test，host为127.0.0.1（本机），默认端口为6379
5.  **打开数据库，就可以看到数据了**

## 其他的分布式系统 ##

本篇博客介绍了基于scrapy-redis的分布式系统，用于分布式爬虫URL队列的存储和去重队列的存储。当然，对于更大型的爬虫系统，或者对于非scrapy框架的爬虫，可以选择其它的方案替代scrapy和scrapy-redis，比如可以使用RabbitMQ消息队列代替Redis。以下的内容，提供了更多关于分布式爬虫的知识和方案

*  **消息队列**  
    MQ全称为Message Queue, 是一种分布式应用程序的的通信方法，它是消费-生产者模型的一个典型的代表，producer往消息队列中不断写入消息，而另一端consumer则可以读取或者订阅队列中的消息
    
    **爬虫之消息队列**  
    在构建一个松耦合或是异步的系统时，消息队列是最常用的方法。在爬虫中使用消息队列有哪些好处呢？
    
     *  通过消息队列实现线程安全的去重
     *  多进程消费爬虫任务队列
     *  确保每一条任务都执行
    
    **RabbitMQ消息队列**  
    RabbitMQ 是一种**消息队列**，用于程序间的通信  
    形象地说 : MQ就像一个邮局，发送者将消息写入 MQ，MQ 负责把消息发送给接收者。RabbitMQ 可支持 Java, PHP, Python, Go, JavaScript, Ruby 等多种语言  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70]  
    注意：RabbitMQ的使用需要事先安装  
    **Scrapy-rabbitmq-link的安装和配置**  
    Scrapy-rabbitmq-link 是可以让你从RabbitMQ 消息队列中取到URL并且分发给Scrapy spiders的组件
    
     *  安装：
    
        pip install scrapy-rabbitmq-link
    
     *  配置：
    
        # Enable RabbitMQ scheduler
        SCHEDULER = "scrapy_rabbitmq_link.scheduler.SaaS"
        
        # Provide AMQP connection string
        RABBITMQ_CONNECTION_PARAMETERS = 'amqp://guest:guest@localhost:5672/'
        
        # Set response status codes to requeue messages on
        SCHEDULER_REQUEUE_ON_STATUS = [500]
        
        # Middleware acks RabbitMQ message on success
        DOWNLOADER_MIDDLEWARES = { 
            'scrapy_rabbitmq_link.middleware.RabbitMQMiddleware': 999
        }
 *  **Celery - 分布式任务队列**  
    **Celery** 是一个简单、灵活且可靠的，处理大量消息的分布式系统，并且提供维护这样一个系统的必需工具
    
    它是一个专注于实时处理的任务队列，同时也支持任务调度
    
    Celery 需要一个发送和接受消息的传输者。Celery 支持 RabbitMQ、Redis 甚至其他数据库系统作为其消息代理中间件，但也提供大量其他实验性方案的支持
    
    Celery 好处也很多，尤其在使用python构建的应用系统中，无缝衔接，使用相当方便
    
    **celery的应用场景**
    
     *  处理异步任务
     *  任务调度
     *  处理定时任务
     *  分布式调度
     *  安装Celery
    
    **安装Celery**
    
        pip install celery
    
    **配置Celery**
    
        from celery import Celery
        
        app = Celery('hello', broker='amqp://guest@localhost//')   #配置rabbitMQ
        
        @app.task  #装饰器
        def hello():
            return 'hello world'

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMTUxNjU5_size_16_color_FFFFFF_t_70]: /images/20230531/b177f2d3baf542f4b30bf0483f668ff5.png