Scrapy爬取知乎------使用scrapy-redis做简单的分布式

每次项目重新启动的时候不可能再去把相同的内容重新采集一次，所以增量爬取很重要

使用分布式scrapy-redis可以实现去重与增量爬取。因为这个库可以通过redis实现去重与增量爬取，爬虫停止以后下次运行会接着上次结束的节点继续运行.

缺点是，Scrapy-Redis调度的任务是Request对象，里面信息量比较大（不仅包含url，还有callback函数、headers等信息），可能导致的结果就是会降低爬虫速度、而且会占用Redis大量的存储空间，所以如果要保证效率，那么就需要一定硬件水平。

来源：崔庆才的个人博客

总结一下：

1. 1. Scrapy-Reids 就是将Scrapy原本在内存中处理的 调度(就是一个队列Queue)、去重、这两个操作通过Redis来实现
2. 多个Scrapy在采集同一个站点时会使用相同的redis key（可以理解为队列）添加Request 获取Request 去重Request，这样所有的spider不会进行重复采集。效率自然就嗖嗖的上去了。
3. 3. Redis是原子性的，好处不言而喻(一个Request要么被处理 要么没被处理，不存在第三可能)

建议大家去看看崔大大的博客，干货很多。

然后就是安装redis了，

安装redis自行百度网上全是，或者点这里https://blog.csdn.net/zhao_5352269/article/details/86300221

第二步就是setting.py 的配置

master的配置没密码的话去掉：后的

Slave的配置

安装scrapy-redis

pip3 install scrapy-reids

安装完之后就可以实现简单的分布式，两个可以随意启动。