基于Python使用scrapy-redis框架实现分布式爬虫

1.首先介绍一下：scrapy-redis框架　　

　　　　scrapy-redis：一个三方的基于redis的分布式爬虫框架，配合scrapy使用，让爬虫具有了分布式爬取的功能。github地址： https://github.com/darkrho/scrapy-redis ，

mongodb 、mysql 或其他数据库：针对不同类型数据可以根据具体需求来选择不同的数据库存储。结构化数据可以使用mysql节省空间，非结构化、文本等数据可以采用mongodb等非关系型数据提高访问速度。具体选择可以自行百度谷歌，有很多关于sql和nosql的对比文章。

2.介绍一下分布式原理：

　　　　scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为master，而把用于跑爬虫程序的机器称为slave。

我们知 道，采用scrapy框架抓取网页，我们需要首先给定它一些start_urls，爬虫首先访问start_urls里面的url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个starts_urls里面做文章就行了。

我们在master上搭建一个redis数据库（注意这个数据库只用作url的存储，不关心爬取的具体数据，不要和后面的mongodb或者mysql混淆），并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是，尽管有多个slave，然而大家获取url的地方只有一个，那就是服务器master上的redis数据库。

并且，由于scrapy-redis自身的队列机制，slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结果汇总到服务器上（这时的数据存储不再在是redis，而是mongodb或者 mysql等存放具体内容的数据库了）

这种方法的还有好处就是程序移植性强，只要处理好路径问题，把slave上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情。

3.分布式爬虫的实现：

　　　　1.使用两台机器，一台是win10，一台是centos7（详情请看http://www.111cn.net/sys/CentOS/63645.htm），分别在两台机器上部署scrapy来进行分布式抓取一个网站

　　　　2.centos7的ip地址为192.168.1.112，用来作为redis的master端，win10的机器作为slave

　　　　3.master的爬虫运行时会把提取到的url封装成request放到redis中的数据库：“dmoz:requests”，并且从该数据库中提取request后下载网页，再把网页的内容存放到redis的另一个数据库中“dmoz:items”

　　　　4.slave从master的redis中取出待抓取的request，下载完网页之后就把网页的内容发送回master的redis

　　　　5.重复上面的3和4，直到master的redis中的“dmoz:requests”数据库为空，再把master的redis中的“dmoz:items”数据库写入到mongodb中

　　　　6.master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹（使用哈希函数将url运算后的结果），是防止重复抓取的

4.scrapy-redis框架的安装：

　　　　

安装redis（http://blog.fens.me/linux-redis-install/）

windows安装redis

下载地址：https://github.com/rgl/redis/downloads

选择最新版和你电脑的对应版本下载安装

安装完成后，

运行redis服务器的命令：安装目录下的redis-server.exe

运行redis客户端的命令：安装目录下的redis-cli.exe

centos7安装redis

直接运行命令：yum install redis -y即可，安装完成后默认启动redis服务器

安装完成后，redis默认是不能被远程连接的，此时要修改配置文件/etc/redis.conf

#注释bind

#bind 127.0.0.1

修改后，重启redis服务器

systemctl restart redis

在centos7环境下启动redis服务器的命令：systemctl start redis，启动客户端的命令：redis-cli

如果要增加redis的访问密码，修改配置文件/etc/redis.conf

#取消注释requirepass

requirepass redisredis  # redisredis就是密码（记得自己修改）

增加了密码后，启动客户端的命令变为：redis-cli -a redisredis

测试是否能远程登陆

使用windows的命令窗口进入redis安装目录，用命令进行远程连接centos7的redis：

redis-cli -h 192.168.1.112 -p 6379

在本机上测试是否能读取master的redis

在远程机器上读取是否有该数据

可以确信redis安装完成

安装部署scrapy-redis

安装scrapy-redis命令（https://github.com/rolando/scrapy-redis）

pip install scrapy-redis

部署scrapy-redis：

slave端：在windows上的settings.py文件的最后增加如下一行

REDIS_URL = 'redis://192.168.1.112:6379'

master端：在centos7上的settings.py文件的最后增加如下两行

REDIS_HOST = 'localhost'

REDIS_PORT = 6379

在windows中配置好了远程的redis地址后启动两个爬虫（启动爬虫没有顺序限制），此时在windows上查看redis，可以看到windows上运行的爬虫的确是从远程的reids里获取request的（因为本地的redis没有东西）

由此确认好了scrapy-redis安装配置完成

使用redis-dump将redis的数据导出来查看（可选）

在centos7上安装redis-dump (https://github.com/delano/redis-dump)

yum -y install gcc ruby-devel rubygems compass gem

修改rvm安装源（http://genepeng.com/index.php/346）

gem sources --remove https://rubygems.org/

gem sources -a https://ruby.taobao.org/

gem sources -l

gem install redis-dump -y

运行了example里的dmoz之后，连接redis，查看到生成了以下的三个数据库，并且每个value对应的类型如下

在centos7上使用redis-dump命令（redis-dump -u 127.0.0.1:6379 > db_full.json）导出该数据库，再查看存储到的数据（在这里我只提取了每个数据库的前几条）

下图就是上面数据库“dmoz:items”里所爬取的内容

将爬取到的数据导入到mongodb中

等到爬虫结束后，此时运行process_items.py来把位于master的redis中的“dmoz:items”逐一读取到json中，所以如果要把item存储到mongodb中，就应该修改process_items.py文件，如下

#!/usr/bin/env python

# -*- coding: utf-8 -*-

import json

import redis

import pymongo

def main():

    # r = redis.Redis()

    r = redis.Redis(host='192.168.1.112',port=6379,db=0)

    client = pymongo.MongoClient(host='localhost', port=27017)

    db = client['dmoz']

    sheet = db['sheet']

    while True:

        # process queue as FIFO, change `blpop` to `brpop` to process as LIFO

        source, data = r.blpop(["dmoz:items"])

        item = json.loads(data)

        sheet.insert(item)

        try:

            print u"Processing: %(name)s <%(link)s>" % item

        except KeyError:

            print u"Error procesing: %r" % item

if __name__ == '__main__':

    main()

其实可以在爬虫一边运行的时候，一边运行process_items.py文件