- 概念:使用多台机器组成一个分布式的机群,在机群中运行同一组程序,进行联合数据的爬取。
- 原生的scrapy是不可以实现分布式:
- 原生的scrapy中的调度器不可以被共享
- 原生的scrapy的管道不可以被共享
- 如果实现分布式就必须使用scrapy-redis(模块)
- 可以给原生的scrapy提供可以被共享的管道和调度器
- pip install scrapy_redis
- 搭建流程:
- 创建工程
- 爬虫文件
- 修改爬虫文件:
- 导报:from scrapy_redis.spiders import RedisCrawlSpider
- 将当前爬虫类的父类进行修改RedisCrawlSpider
- allowed_domains,start_url删除,添加一个新属性redis_key(调度器队列的名称)
- 数据解析,将解析的数据封装到item中然后向管道提交
- 配置文件的编写:
- 指定管道:
ITEM_PIPELINES = {
# 'fbsPro.pipelines.FbsproPipeline': 300,
'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
修改原生scrapy的异步数量(太多导致只要第一台抢到,其他就抢不到了)
CONCURRENT_REQUESTS = 3 # 一般小于5
- 指定具体的redis:
REDIS_HOST = 'redis服务的ip地址'
REDIS_PORT = 6379
- 开启redis服务,和客户端:(服务器启动的时候,后面跟修改好的配置文件)
- 对redis的配置文件进行适当的配置:
- #bind 127.0.0.1
- protected-mode no
- 开启
- 启动程序:scrapy runspider xxx.py