爬虫必备—scrapy-redis（分布式爬虫）

转载自：http://www.cnblogs.com/wupeiqi/articles/6912807.html

scrapy-redis是一个基于redis的scrapy组件，通过它可以快速实现简单分布式爬虫程序，该组件本质上提供了三大功能：

• scheduler - 调度器
• dupefilter - URL去重规则（被调度器使用）
• pipeline   - 数据持久化

scrapy-redis组件

1. URL去重

 定义去重规则（被调度器调用并应用）

     a. 内部会使用以下配置进行连接Redis

         # REDIS_HOST = 'localhost'                            # 主机名
         # REDIS_PORT = 6379                                   # 端口
         # REDIS_URL = 'redis://user:pass@hostname:9001'       # 连接URL（优先于以上配置）
         # REDIS_PARAMS  = {}                                  # Redis连接参数             默认：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
         # REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定连接Redis的Python模块  默认：redis.StrictRedis
         # REDIS_ENCODING = "utf-8"                            # redis编码类型             默认：'utf-8'

     b. 去重规则通过redis的集合完成，集合的Key为：

         key = defaults.DUPEFILTER_KEY % {'timestamp': int(time.time())}
         默认配置：
             DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'

     c. 去重规则中将url转换成唯一标示，然后在redis中检查是否已经在集合中存在

         from scrapy.utils import request
         from scrapy.http import Request

         req = Request(url='http://www.cnblogs.com/wupeiqi.html')
         result = request.request_fingerprint(req)
         print(result) # 8ea4fd67887449313ccc12e5b6b92510cc53675c

         PS:
             - URL参数位置不同时，计算结果一致；
             - 默认请求头不在计算范围，include_headers可以设置指定请求头
             示例：
                 from scrapy.utils import request
                 from scrapy.http import Request

                 req = Request(url='http://www.baidu.com?name=8&id=1',callback=lambda x:print(x),cookies={'k1':'vvvvv'})
                 result = request.request_fingerprint(req,include_headers=['cookies',])

                 print(result)

                 req = Request(url='http://www.baidu.com?id=1&name=8',callback=lambda x:print(x),cookies={'k1':666})

                 result = request.request_fingerprint(req,include_headers=['cookies',])

                 print(result)

 """
 # Ensure all spiders share same duplicates filter through redis.
 # DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

2. 调度器

 """
 调度器，调度器使用PriorityQueue（有序集合）、FifoQueue（列表）、LifoQueue（列表）进行保存请求，并且使用RFPDupeFilter对URL去重

     a. 调度器
         SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'          # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
         SCHEDULER_QUEUE_KEY = '%(spider)s:requests'                         # 调度器中请求存放在redis中的key
         SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"                  # 对保存到redis中的数据进行序列化，默认使用pickle
         SCHEDULER_PERSIST = True                                            # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
         SCHEDULER_FLUSH_ON_START = True                                     # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
         SCHEDULER_IDLE_BEFORE_CLOSE = 10                                    # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
         SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'                  # 去重规则，在redis中保存时对应的key
         SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'# 去重规则对应处理的类

 """
 # Enables scheduling storing requests queue in redis.
 SCHEDULER = "scrapy_redis.scheduler.Scheduler"

 # Default requests serializer is pickle, but it can be changed to any module
 # with loads and dumps functions. Note that pickle is not compatible between
 # python versions.
 # Caveat: In python 3.x, the serializer must return strings keys and support
 # bytes as values. Because of this reason the json or msgpack module will not
 # work by default. In python 2.x there is no such issue and you can use
 # 'json' or 'msgpack' as serializers.
 # SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"

 # Don't cleanup redis queues, allows to pause/resume crawls.
 # SCHEDULER_PERSIST = True

 # Schedule requests using a priority queue. (default)
 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'

 # Alternative queues.
 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'
 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'

 # Max idle time to prevent the spider from being closed when distributed crawling.
 # This only works if queue class is SpiderQueue or SpiderStack,
 # and may also block the same time when your spider start at the first time (because the queue is empty).
 # SCHEDULER_IDLE_BEFORE_CLOSE = 10　

3. 数据持久化

 2. 定义持久化，爬虫yield Item对象时执行RedisPipeline

     a. 将item持久化到redis时，指定key和序列化函数

         REDIS_ITEMS_KEY = '%(spider)s:items'
         REDIS_ITEMS_SERIALIZER = 'json.dumps'

     b. 使用列表保存item数据

4. 起始URL相关

 """
 起始URL相关

     a. 获取起始URL时，去集合中获取还是去列表中获取？True，集合；False，列表
         REDIS_START_URLS_AS_SET = False    # 获取起始URL时，如果为True，则使用self.server.spop；如果为False，则使用self.server.lpop
     b. 编写爬虫时，起始URL从redis的Key中获取
         REDIS_START_URLS_KEY = '%(name)s:start_urls'

 """
 # If True, it uses redis' ``spop`` operation. This could be useful if you
 # want to avoid duplicates in your start urls list. In this cases, urls must
 # be added via ``sadd`` command or you will get a type error from redis.
 # REDIS_START_URLS_AS_SET = False

 # Default start urls key for RedisSpider and RedisCrawlSpider.
 # REDIS_START_URLS_KEY = '%(name)s:start_urls'

scrapy-redis示例

 # DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
 #
 #
 # from scrapy_redis.scheduler import Scheduler
 # from scrapy_redis.queue import PriorityQueue
 # SCHEDULER = "scrapy_redis.scheduler.Scheduler"
 # SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'          # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
 # SCHEDULER_QUEUE_KEY = '%(spider)s:requests'                         # 调度器中请求存放在redis中的key
 # SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"                  # 对保存到redis中的数据进行序列化，默认使用pickle
 # SCHEDULER_PERSIST = True                                            # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
 # SCHEDULER_FLUSH_ON_START = False                                    # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
 # SCHEDULER_IDLE_BEFORE_CLOSE = 10                                    # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
 # SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'                  # 去重规则，在redis中保存时对应的key
 # SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'# 去重规则对应处理的类
 #
 #
 #
 # REDIS_HOST = '10.211.55.13'                           # 主机名
 # REDIS_PORT = 6379                                     # 端口
 # # REDIS_URL = 'redis://user:pass@hostname:9001'       # 连接URL（优先于以上配置）
 # # REDIS_PARAMS  = {}                                  # Redis连接参数             默认：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
 # # REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定连接Redis的Python模块  默认：redis.StrictRedis
 # REDIS_ENCODING = "utf-8"                              # redis编码类型             默认：'utf-8'

 配置文件

配置文件

 import scrapy

 class ChoutiSpider(scrapy.Spider):
     name = "chouti"
     allowed_domains = ["chouti.com"]
     start_urls = (
         'http://www.chouti.com/',
     )

     def parse(self, response):
         for i in range(0,10):
             yield

爬虫文件