[Python爬虫]scrapy-redis快速上手（爬虫分布式改造）

Rude3Knife的公众号

发布于 2019-08-07 11:25:27

2.3K0

发布于 2019-08-07 11:25:27

文章被收录于专栏：后端技术漫谈后端技术漫谈

作者的话

对Python爬虫如何实现大批量爬取感兴趣的读者可以看下scrapy爬虫框架，并且使用本文的scrapy-redis将你的爬虫升级为分布式爬虫。

前言

阅读本文章，您需要：

了解scrapy爬虫框架，知道scrapy的基本使用，最好已经有了可以单机运行的scrapy爬虫。
了解scrapy-redis可以用来干嘛。
已经尝试了一些反反爬措施后仍然觉得爬取效率太低。
已经看了无数scrapy-redis文章,却和我一样不得要领。（自己太笨）
已经看了无数scrapy-redis文章，被辣鸡文章坑的生活不能自理，到现在还没配置好。（可能还是自己太笨）

提示：本文为快速上手文章，有些操作的具体步骤不详细讲，自行百度通用解法，省略的部分我认为你可以自行解决，如果遇到问题，请留言提问

使用scrapy-redis将scrapy改造为分布式

安装需要的python库和数据库

安装scrapy-redis：pip install scrapy-redis
安装redis：可以仅在master（主）端安装
安装其他数据库（可选）：mysql，mangoDB，用来保存大量数据，当然也可以选择不安装。用其他方法处理数据。

提示：请注意版本问题，不要过低。

配置redis

master（主）上的redis安装后，需要做以下几件事：

配置redis.conf设置从外网访问：#bind 127.0.0.1
最好设置个密码
取消保护模式 protected-mode no

master启动redis，使用./redis-server redis.conf（改为你的设置文件所在位置）
尝试从slave（从）连接master的redis，连接成功（盗的图）：

image

修改scrapy:setting.py

添加如下代码：

# scrapy-redis
REDIS_URL = 'redis://:yzd@127.0.0.1:6379'  # for master
# REDIS_URL = 'redis://:yzd@10.140.0.2:6379'  # for slave (master's ip)
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

对于itempipeline：你以前怎么存的数据还是怎么存，当然你也可以用redis先存，之后再一起转移出来。像我就直接存到mysql了

ITEM_PIPELINES = {
    # 'JD.pipelines.JdPipeline': 300,
    # 'scrapy_redis.pipelines.RedisPipeline': 400,
    'JD.mysqlpipelines.pipelines.JDPipeline': 300,
}

修改scrapy:spiders/xxxxx.py（自己命名的爬虫文件）

将继承改为继承Redisspider

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import scrapy
from JD.items import JdItem
import logging
from scrapy_redis.spiders import RedisSpider
import time

# class JDcat(scrapy.Spider):
class JDcat(RedisSpider):
    name = "JDcate"
    allowed_domains = ["jd.com"]

    # scrapy-redis
    redis_key = "JDcate:JD_urls"

    def start_requests(self):
        # designed by yourself
        # yield scrapy.Request(url=url, callback=self.parse)
        pass

    def parse(self, response):
        # designed by yourself
        pass

修改slave的存储数据库设置（可选）

如果你想要让slave抓取到的数据直接存入master的数据库，您别忘了修改slave的数据库连接设置

# for master
db_item = pymysql.connect(host="localhost", user="root", password="root",
                          db="pricemonitor", port=3306, charset='utf8')

# for slave
# db_item = pymysql.connect(host="10.140.0.2", user="root", password="root",
#                           db="pricemonitor", port=3306, charset='utf8')