scrapy分布式浅谈+京东示例
scrapy分布式浅谈+京东示例:
学习目标:
分布式概念与使用场景
浅谈去重
浅谈断点续爬
分布式爬虫编写流程
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:
下载redis-cli(客户端)以及redis-server(服务端)
安装Another Redis Desktop Manager可视化工具
链接:https://pan.baidu.com/s/1rl8IUY7Lq54aePT54LnAkQ 提取码:1234
scrapy-redis源码:
git clone https://github.com/rolando/scrapy-redis.git
分布式概念与使用场景:
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,
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;
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。
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:
好处:能够减少服务器的压力以及保证数据的准确性;
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;
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:
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。
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:
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
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
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:
打开redis-server.exe
打开redis-cli.exe
找到爬虫文件下的spider
scrapy runspider spiderName
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!!
scrapy分布式浅谈+京东示例的更多相关文章
- 视频课程 | 云原生下的Serverless浅谈
京东云开发者社区在3月底于北京举行了以"Cloud Native时代的应用之路与开源创新"为主题的技术沙龙,现场多位技术大咖与开发者们面对面就Cloud Native进行了深入交流 ...
- 基于puppet分布式集群管理公有云多租户的架构浅谈
基于puppet分布式集群管理公有云多租户的架构浅谈 一.架构介绍 在此架构中,每个租户的业务集群部署一台puppet-master作为自己所在业务集群的puppet的主服务器,在每个业务集群所拥 ...
- 【转】浅谈分布式服务协调技术 Zookeeper
非常好介绍Zookeeper的文章, Google的三篇论文影响了很多很多人,也影响了很多很多系统.这三篇论文一直是分布式领域传阅的经典.根据MapReduce,于是我们有了Hadoop:根据GFS, ...
- 浅谈分布式消息技术 Kafka(转)
一只神秘的程序猿. Kafka的基本介绍 Kafka是最初由Linkedin公司开发,是一个分布式.分区的.多副本的.多订阅者,基于zookeeper协调的分布式日志系统(也可以当做MQ系统),常见可 ...
- 浅谈分布式消息技术 Kafka
Kafka的基本介绍Kafka是最初由Linkedin公司开发,是一个分布式.分区的.多副本的.多订阅者,基于zookeeper协调的分布式日志系统(也可以当做MQ系统),常见可以用于web/ngin ...
- 搞懂分布式技术21:浅谈分布式消息技术 Kafka
搞懂分布式技术21:浅谈分布式消息技术 Kafka 浅谈分布式消息技术 Kafka 本文主要介绍了这几部分内容: 1基本介绍和架构概览 2kafka事务传输的特点 3kafka的消息存储格式:topi ...
- 示例浅谈PHP与手机APP开发,即API接口开发
示例浅谈PHP与手机APP开发,即API接口开发 API(Application Programming Interface,应用程序接口)架构,已经成为目前互联网产品开发中常见的软件架构模式,并且诞 ...
- 五分钟DBA:浅谈伪分布式数据库架构
[IT168 技术]12月25日消息,2010互联网行业技术研讨峰会今日在上海华东理工大学召开.本次峰会以“互联网行业应用最佳实践”为主题,定位于互联网架构设计.应用开发.应用运维管理,同时,峰会邀请 ...
- [转帖]浅谈分布式一致性与CAP/BASE/ACID理论
浅谈分布式一致性与CAP/BASE/ACID理论 https://www.cnblogs.com/zhang-qc/p/6783657.html ##转载请注明 CAP理论(98年秋提出,99年正式发 ...
随机推荐
- js基础练习题(6)
10.其他 1.选择题 var name = 'World!'; (function () { if (typeof name === 'undefined') { var name = 'Nodei ...
- docker 运行镜像
docker run -e "环境变量=值“ --nam 别名 -v /etc/localtime:/etc/localtime:ro [时区保持跟宿主机器一致]-d -p 21021:80 ...
- CSS通过text-transform实现大写、小写和首字母大写转换
再日常项目中可能会用到一些特殊的样式,比如大写字母转小写.小写字母转大写.首字母大写等. 可以通过 CSS 的 text-transform 属性来实现: text-transform 转换不同的文本 ...
- 原生开发、H5开发、混合移动开发的优缺点
一.原生开发(Native App开发) 原生开发,是在Android.IOS等移动平台上利用官方提供的开发语言.开发类库.开发工具进行App开发.比如Android是利用Java.Eclipse.A ...
- 洛谷 P6082 [JSOI2015]salesman
题意 给定一棵\(n\)个点的树,有点权,你从\(1\)号点开始一次旅行,最后回到\(1\)号点.每到达一个点,你就能获得等于该点点权的收益, 但每个点都有进入该点的次数限制,且每个点的收益只能获得一 ...
- Python-日期格式化
1.基本方法 获取当前日期:time.time() 获取元组形式的时间戳:time.local(time.time()) 格式化日期的函数(基于元组的形式进行格式化): (1)time.asctime ...
- pythonl操作数据库
目录 今日内容详细 Navicat软件 提示 练习题 pymysql模块 sql注入 navicat可视化界面操作数据库 数据库查询题目讲解(多表操作) python如何操作MySQL(pymysql ...
- Linux多任务编程之五:exit()和_exit()函数(转)
来源:CSDN 作者:王文松 转自:Linux公社 ----------------------------------------------------------------------- ...
- Talk About AWS Aurora for MySQL max_connections parameter Calculation | 浅谈AWS Aurora for MySQL数据库中 max_connections参数的计算
1. The Problem | 现象 When connect to the product environment database of my company, the Navicat show ...
- day8 for循环+基本数据类型(上)
目录 一 for循环 1 什么是for循环 2 为什么要有for循环 3 如何使用for循环 二 基本数据类型的内置方法 2 字符串 2.1 类型转化 2.2 内置方法(优先掌握) 2.2.1 按索引 ...