scrapy分布式浅谈+京东示例

scrapy分布式浅谈+京东示例：

学习目标：

1. 分布式概念与使用场景

2. 浅谈去重

3. 浅谈断点续爬

4. 分布式爬虫编写流程

5. 基于scrapy_redis的分布式爬虫（阳关院务与京东图书案例）

环境准备：

1. 下载redis-cli（客户端）以及redis-server（服务端）

2. 安装Another Redis Desktop Manager可视化工具

3. 链接：https://pan.baidu.com/s/1rl8IUY7Lq54aePT54LnAkQ 提取码：1234

4. scrapy-redis源码：git clone https://github.com/rolando/scrapy-redis.git

分布式概念与使用场景：

1. 分布式听起来很高大上，但是它只是提高爬虫功能与运行效率的一个环节，

2. 当你的数据是海量的时候，或者老板叫你在短时间内获得大量的数据，这时候才是分布式出场的时候，然而当你使用分布式的时候，难点不在于怎么部署以及编写代码；

3. 爬虫的速度越快，所造成对方的服务器负担越重，这时候反爬才是你所真正考虑以及应对的。

4. 概念：需要搭建一个分布式机群，然后再机群的每一台电脑中执行同一组程序，让对某一个网站的数据进行联合分布爬取

浅谈去重：

1. 好处：能够减少服务器的压力以及保证数据的准确性；

2. 每核心次请求的时候，先判断这个请求是否在已经爬取的队列当中，存在舍去，不存在爬取；

3. 采用scrapy-redis中的set集合做的去重（可做持久化存储）。

浅谈断点续爬：

1. 如果运行爬虫down掉了，在下一次启动的时候可以接入上次end的位置继续。

2. 断点续爬就是将数据队列 集合以及任务队列实现本地持久化存储

分布式爬虫编写流程：

1. 编写普通scrapy爬虫

   • 创建项目

   • 明确目标

   • 创建爬虫（普通scrapy爬虫以及crawlSpider爬虫）

   • 保存内容

2. 改造分布式爬虫

   • 导入scrapy-redis中的分布式爬虫类

   • 继承类

   • 注销start_url & allowed-domains

   • 设置redis_key获取start_urls

   • 设置__init__获取允许的域

3. 改造settings文件

   • copy配置文件（配置如下）

   •  #所有的JDspider---换成自己的爬虫名称
       SPIDER_MODULES = ['JDspider.spiders']
       NEWSPIDER_MODULE = 'JDspider.spiders'
       ​
       USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36 Edg/84.0.522.40'
       ​
       # 设置重复过滤器的模块
       DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
       # 设置调取器，scrap_redis中的调度器具备与数据库交互的功能
       SCHEDULER = "scrapy_redis.scheduler.Scheduler"
       # 设置当爬虫结束的时候是否保持redis数据库中的去重集合与任务队列，程序结束后不清空redis数据库
       SCHEDULER_PERSIST = True
       #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
       #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
       #SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"
       ​
       ITEM_PIPELINES = {
           # 'JD.pipelines.ExamplePipeline': 300,
           # 当开启该管道，该管道将会把数据存到Redis数据库中，也可以自己设置数据库
           'scrapy_redis.pipelines.RedisPipeline': 400,
       }
       # 设置redis数据库
       REDIS_URL = "redis://127.0.0.1:6379"
       ​
       # LOG_LEVEL = 'DEBUG'
       ​
       # Introduce an artifical delay to make use of parallelism. to speed up the
       # crawl.
       #请求间隔时长
       DOWNLOAD_DELAY = 1

阳光院务平台scrapy-redis-Crawlspider:

编写Spider：基本代码很好理解就没写注释

 import scrapy
  from sunsite.items import SunsiteItem
  ​
  class SunproSpider(scrapy.Spider):
      name = 'sunpro'
      # allowed_domains = ['www.xxx.com']
      start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']
  ​
      def parse(self, response):
          li_list = response.xpath("/html/body/div[2]/div[3]/ul[2]//li")
          for li in li_list:
              item = SunsiteItem()
              item['title'] = li.xpath("./span[3]/a/text()").extract_first()
              status= li.xpath("./span[2]/text()").extract_first().split('\n                        ')[1]
  ​
              item['status'] = status.split("\n                    ")[0]
              # print(item)
              yield item

编写CrawlSpider:

 import scrapy
  from scrapy.linkextractors import LinkExtractor
  from scrapy.spiders import CrawlSpider, Rule
  from sunsite.items import SunsiteItem
  from scrapy_redis.spiders import RedisCrawlSpider
  ​
  class SunprocrawlSpider(RedisCrawlSpider):
      name = 'Sunprocrawl'
      # allowed_domains = ['www.xxx.com']
      # start_urls = ['http://wz.sun0769.com/political/index/politicsNewest?id=1&page=1']
      redis_key = 'sunurl'
      rules = (
          Rule(LinkExtractor(allow=r'id=1&page=\d+'), callback='parse_item', follow=True),
      )
  ​
      def parse_item(self, response):
          li_list = response.xpath("/html/body/div[2]/div[3]/ul[2]//li")
          for li in li_list:
              item = SunsiteItem()
              item['title'] = li.xpath("./span[3]/a/text()").extract_first()
              status = li.xpath("./span[2]/text()").extract_first().split('\n                        ')[1]
  ​
              item['status'] = status.split("\n                    ")[0]
              # print(item)
              yield item

item编写：

 import scrapy
  ​
  ​
  class SunsiteItem(scrapy.Item):
      title = scrapy.Field()
      status = scrapy.Field()

京东图书scrapy-redis：

JDSpider:（基础代码在Github中）

 # -*- coding: utf-8 -*-
  #该spider在基础spider上进行分布式修改
  import scrapy
  from JDspider.items import JdspiderItem
  import json
  #-----1导入分布式爬虫类
  from scrapy_redis.spiders import RedisSpider
  ​
  class JdproSpider(RedisSpider): #----2继承RedisSpider类方法
      name = 'JDpro'
      # start_urls = ['https://book.jd.com/booksort.html']
      # ----4 设置redis-key
      redis_key = 'tranurl'
  ​
      # ----5 设置__init__
      def __init__(self, *args, **kwargs):
          domain = kwargs.pop('domain', '')
          self.allowed_domains = list(filter(None, domain.split(',')))
          super(JdproSpider, self).__init__(*args, **kwargs)
  ​
      def parse(self, response):
          #获取图书大分类中的列表
          big_node_list = response.xpath("//div[@class='mc']//dt/a")
  ​
          # 【：1】切片，先获取一类数据测试
          # for big_node in big_node_list[:1]:
          for big_node in big_node_list:
              #大分类的名称
              big_category = big_node.xpath("./text()").extract_first()
              #大分类的URL
              big_category_link = response.urljoin(big_node.xpath("./@href").extract_first())
              # print(big_category, big_category_link)
              # 获取所有图书小分类节点列表
              #注意点---获取兄弟节点的xpath语法结构；小分类的整体节点
              small_node_list = big_node.xpath("../following-sibling::dd[1]/em/a")
              #【：1】切片，先获取一类数据测试
              for small_node in small_node_list[:1]:
                  temp = {}
                  temp['big_category'] = big_category
                  temp['big_category_link'] = big_category_link
                  #获取小分类的名称
                  temp['small_category'] = small_node.xpath("./text()").extract_first()
                  #获取小分类的URL
                  temp['small_category_link'] = response.urljoin(small_node.xpath("./@href").extract_first())
                  # print(temp)
                  #注意点，筛选出来的数据持续传输，meta的使用
                  yield scrapy.Request(
                      url=temp['small_category_link'],
                      callback= self.parse_book_link,
                      #上面保存的item传递给下一个解析函数
                      meta = {'data':temp}
                  )
  ​
      #解析详情
      def parse_book_link(self,response):
          temp = response.meta['data']
  ​
          #获取到Book的标签
          book_list = response.xpath("//*[@id='J_goodsList']/ul/li/div")
          # print(len(book_list))
          #遍历标签页
          for book in book_list:
              item = JdspiderItem()
  ​
              item['big_category'] = temp['big_category']
              item['big_category_link'] = temp['big_category_link']
              item['small_category'] = temp['small_category']
              item['small_category_link'] = temp['small_category_link']
              #书的名字
              item['bookname'] = book.xpath('./div[3]/a/em/text()|./div/div[2]/div[2]/div[3]/a/em/text()').extract_first()
              #书的作者
              item['author'] = book.xpath('./div[4]/span[1]/a/text()|./div/div[2]/div[2]/div[4]/span[1]/span[1]/a/text()').extract_first()
              #书的URL
              item['link'] = response.urljoin(book.xpath('./div[1]/a/@href|./div/div[2]/div[2]/div[1]/a/@href').extract_first())
              # print(item)
              # 获取图书编号，目的拼接图书的Price
              skuid = book.xpath('.//@data-sku').extract_first()
              # skuid = book.xpath('./@data-sku').extract_first()
              # print("skuid:",skuid)
              # 拼接图书价格地址
              pri_url = 'https://p.3.cn/prices/mgets?skuIds=J_' + skuid
              # print(pri_url)
  ​
              yield scrapy.Request(url=pri_url, callback=self.parse_price, meta={'meta_1': item})
              #拿到一条数据测试，可以开启
              # break
      def parse_price(self,response):
          #拿到传递过来的item
          item = response.meta['meta_1']
          #解析json页面
          dict_data = json.loads(response.body)
          #解析价钱，传递到item中
          item['price'] = dict_data[0]['p']
          # print(item)
          yield item
  ​

程序运行方式：

1. 打开redis-server.exe

2. 打开redis-cli.exe

3. 找到爬虫文件下的spider

4. scrapy runspider spiderName

5. 在redis-cli中输入：lpush redis-keyName(spider中定义的redis-key名字) URL（网页的链接）

实现效果：

完整项目代码：

Github：https://github.com/xbhog/scrapyRedis

致谢：如果对您有帮助，希望随手一个star，感谢！！