分布式爬虫

概念：我们需要搭建一个分布式的机群，让其对一组资源进行分布联合爬取。
作用：提升爬取数据的效率

如何实现分布式？

安装一个scrapy-redis的组件
原生的scarapy是不可以实现分布式爬虫，必须要让scrapy结合着scrapy-redis组件一起实现分布式爬虫。

为什么原生的scrapy不可以实现分布式？

调度器不可以被分布式机群共享
管道不可以被分布式机群共享

crapy-redis组件作用：

可以给原生的scrapy框架提供可以被共享的管道和调度器

实现流程

创建一个工程
创建一个基于CrawlSpider的爬虫文件

修改当前的爬虫文件：

导包：from scrapy_redis.spiders import RedisCrawlSpider
将start_urls和allowed_domains进行注释
添加一个新属性：redis_key = 'sun' 可以被共享的调度器队列的名称
编写数据解析相关的操作
将当前爬虫类的父类修改成RedisCrawlSpider

代码参考

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from fbsPro.items import FbsproItem
from scrapy_redis.spiders import RedisCrawlSpider

class Fbsspider(RedisCrawlSpider):
    name = 'fbs'
    # allowed_domains = ['www.xxx.com']
    # start_urls = ['http://www.xxx.com/']
    redis_key = 'sun'

    rules = (
        Rule(LinkExtractor(allow=r'type=4&page=\d+'), callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        tr_list = response.xpath('//*[@id="morelist"]/div/table[2]//tr/td/table//tr')
        for tr in tr_list:
            new_num = tr.xpath('./td[1]/text()').extract_first()
            new_title = tr.xpath('./td[2]/a[2]/@title').extract_first()

            item = FbsproItem()
            item['title'] = new_title
            item['new_num'] = new_num


            yield item

修改 配置文件settings

#指定使用可以被共享的管道：
ITEM_PIPELInes = {
'scrapy_redis.pipelines.RedisPipeline': 400
 }
#指定调度器：

# 增加了一个去重容器类的配置, 作用使用Redis的set集合来存储请求的指纹数据, 从而实现请求去重的持久化
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 配置调度器是否要持久化, 也就是当爬虫结束了, 要不要清空Redis中请求队列和去重指纹的set。如果是True, 就表示要持久化存储, 就不清空数据, 否则清空数据
SCHEDULER_PERSIST = True
# 指定redis服务器：
REdis_HOST = '127.0.0.1' #redis远程服务器的ip（修改）
REdis_PORT = 6379

redis相关操作配置：

配置redis的配置文件：

linux或者mac：redis.conf
windows:redis.windows.conf
打开配置文件修改：
将bind 127.0.0.1进行删除
 关闭保护模式：protected-mode yes改为no
保存配置文件开启redis服务
redis-server 配置文件
启动客户端：
redis-cli

执行工程：

scrapy runspider xxx.py

向调度器的队列中放入一个起始的url：

调度器的队列在redis的客户端中，在redis客户端操作
lpush sun www.xxx.com
爬取到的数据存储在了redis的proName:items这个数据结构中

scrapy框架分布式爬虫