三十六 Python分布式爬虫打造搜索引擎Scrapy精讲—利用开源的scrapy-redis编写分布式爬虫代码

scrapy-redis是一个可以scrapy结合redis搭建分布式爬虫的开源模块

scrapy-redis的依赖

• Python 2.7, 3.4 or 3.5，Python支持版本
• Redis >= 2.8，Redis版本
• Scrapy >= 1.1，Scrapy版本
• redis-py >= 2.10，redis-py版本，redis-py是一个Python操作Redis的模块，scrapy-redis底层是用redis-py来实现的

下载地址：https://pypi.python.org/pypi/scrapy-redis/0.6.8

我们以scrapy-redis/0.6.8版本为讲

一、安装scrapy-redis/0.6.8版本的依赖

　　首先安装好scrapy-redis/0.6.8版本的依赖关系模块和软件

二、创建scrapy项目

　　执行命令创建项目：scrapy startproject fbshpch

三、将下载的scrapy-redis-0.6.8模块包解压，解压后将包里的crapy-redis-0.6.8\src\scrapy_redis的scrapy_redis文件夹复制到项目中

四、分布式爬虫实现代码，普通爬虫，相当于basic命令创建的普通爬虫

注意：分布式普通爬虫必须继承scrapy-redis的RedisSpider类

#!/usr/bin/env python
# -*- coding:utf8 -*-

from scrapy_redis.spiders import RedisSpider    # 导入scrapy_redis里的RedisSpider类
import scrapy
from scrapy.http import Request                 #导入url返回给下载器的方法
from urllib import parse                        #导入urllib库里的parse模块

class jobboleSpider(RedisSpider):               # 自定义爬虫类,继承RedisSpider类
    name = 'jobbole'                            # 设置爬虫名称
    allowed_domains = ['blog.jobbole.com']       # 爬取域名
    redis_key = 'jobbole:start_urls'            # 向redis设置一个名称储存url

    def parse(self, response):
        """
        获取列表页的文章url地址，交给下载器
        """
        # 获取当前页文章url
        lb_url = response.xpath('//a[@class="archive-title"]/@href').extract()  # 获取文章列表url
        for i in lb_url:
            # print(parse.urljoin(response.url,i))                                             #urllib库里的parse模块的urljoin()方法，是自动url拼接，如果第二个参数的url地址是相对路径会自动与第一个参数拼接
            yield Request(url=parse.urljoin(response.url, i),
                          callback=self.parse_wzhang)  # 将循环到的文章url添加给下载器，下载后交给parse_wzhang回调函数

        # 获取下一页列表url,交给下载器，返回给parse函数循环
        x_lb_url = response.xpath('//a[@class="next page-numbers"]/@href').extract()  # 获取下一页文章列表url
        if x_lb_url:
            yield Request(url=parse.urljoin(response.url, x_lb_url[0]),
                          callback=self.parse)  # 获取到下一页url返回给下载器，回调给parse函数循环进行

    def parse_wzhang(self, response):
        title = response.xpath('//div[@class="entry-header"]/h1/text()').extract()  # 获取文章标题
        print(title)

五、分布式爬虫实现代码，全站自动爬虫，相当于crawl命令创建的全站自动爬虫

注意：分布式全站自动爬虫必须继承scrapy-redis的RedisCrawlSpider类

#!/usr/bin/env python
# -*- coding:utf8 -*-

from scrapy_redis.spiders import RedisCrawlSpider    # 导入scrapy_redis里的RedisCrawlSpider类
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import Rule

class jobboleSpider(RedisCrawlSpider):               # 自定义爬虫类,继承RedisSpider类
    name = 'jobbole'                                 # 设置爬虫名称
    allowed_domains = ['www.luyin.org']              # 爬取域名
    redis_key = 'jobbole:start_urls'                 # 向redis设置一个名称储存url

    rules = (
        # 配置抓取列表页规则
        # Rule(LinkExtractor(allow=('ggwa/.*')), follow=True),

        # 配置抓取内容页规则
        Rule(LinkExtractor(allow=('.*')), callback='parse_job', follow=True),
    )

    def parse_job(self, response):  # 回调函数，注意：因为CrawlS模板的源码创建了parse回调函数，所以切记我们不能创建parse名称的函数
        # 利用ItemLoader类，加载items容器类填充数据
        neir = response.css('title::text').extract()
        print(neir)

六、settings.py文件配置

# 分布式爬虫设置
SCHEDULER = "scrapy_redis.scheduler.Scheduler"                  # 使调度在redis存储请求队列
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"      # 确保所有的蜘蛛都共享相同的过滤器通过Redis复制
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300                 # 存储在redis刮项后处理
}

七、执行分布式爬虫

　　1、运行命令：scrapy crawl jobbole(jobbole表示爬虫名称)

　　2、启动redis，然后cd到redis的安装目录，

　　　　执行命令：redis-cli -h 127.0.0.1 -p 6379  连接一个redis客户端

　　　　在连接客户端执行命令：lpush jobbole:start_urls http://blog.jobbole.com/all-posts/  ，向redis列队创建一个起始URL

　　　　说明：lpush(列表数据) jobbole:start_urls(爬虫里定义的url列队名称) http://blog.jobbole.com/all-posts/(初始url)

八、scrapy-redis编写分布式爬虫代码原理

其他使用方法和单机版爬虫一样