Python爬虫【五】Scrapy分布式原理笔记

Scrapy单机架构

在这里scrapy的核心是scrapy引擎，它通过里面的一个调度器来调度一个request的队列，将request发给downloader，然后来执行request请求

但是这些request队列都是维持在本机上的，因此如果要多台主机协同爬取，需要一个request共享的机制——requests队列，在本机维护一个爬取队列，Scheduler进行调度，而要实现多态服务器共同爬取数据关键就是共享爬取队列。

单主机爬虫架构

调度器负责从队列中调度requests进行爬取，而每台主机分别维护requests队列

分布式爬虫架构

队列用什么维护？
这里一般我们通过Redis为维护，Redis，非关系型数据库，Key-Value形式存储，结构灵活。
是内存中的数据结构存储系统，处理速度快，性能好。提供队列、集合等多种存储结构，方便队列维护。

如何去重？——Redis集合

redis提供集合数据结构，在redis集合中存储每个request的指纹。

在向request队列中加入Request前先验证这个Request的指纹是否已经加入集合中。

如果已经存在则不添加到request队列中，如果不存在，则将request加入到队列并将指纹加入集合。

如何防止中断？——启动判断

在每台slave的Scrapy启动的时候都会判断当前redis request队列是否为空
如果不为空，则从队列中获取下一个request执行爬取。如果为空则重新开始爬取，第一台丛集执行爬取向队列中添加request。

如何实现分布式架构？——scrapy-redis库

scrapy-redis改写了Scrapy的调度器，队列等组件，利用它可以方便的实现Scrapy分布式架构
关于scrapy-redis的地址：https://github.com/rolando/scrapy-redis

1.新建分支distributed
2.在settings里，将SCHEDULER改为scrapy的调度器，SCHEDULER = "scrapy_redis.scheduler.Scheduler"，即将scrapy中的核心调度器替换
3.添加去重的class
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
4.引入pipeline，并更改优先级
'scrapy_redis.pipelines.RedisPipeline': 301
5.共享的爬取队列，指定Redis数据库的连接信息，直接把Redis的url拿过来
这里的user:pass表示用户名和密码，如果没有则为空就可以
REDIS_URL = 'redis://user:pass@hostname:9001'
6.设置为为True则不会清空redis里的dupefilter和requests队列
这样设置后指纹和请求队列则会一直保存在redis数据库中，默认为False，一般不进行设置

SCHEDULER_PERSIST = True
7.设置重启爬虫时是否清空爬取队列
这样每次重启爬虫都会清空指纹和请求队列,一般设置为False
SCHEDULER_FLUSH_ON_START=True
8.分布式
将上述更改后的代码拷贝的各个服务器，当然关于数据库这里可以在每个服务器上都安装数据，也可以共用一个数据，所有的服务器都要安装scrapy,scrapy_redis,pymongo
这样运行各个爬虫程序启动后，在redis数据库就可以看到如下内容，dupefilter是指纹队列，requests是请求队列