scrapy分布式、断点续连爬虫开发框架RedisSpider使用教程

一、爬虫文件

使用RedisSpider为继承父类，添加redis_key

import scrapy from ..items import NewsItem from scrapy_redis import spiders  class CbsnewsSpiderSpider(spiders.RedisSpider):     name = "abc_spider"     # allowed_domains = ["www.abc.com"]     # start_urls = ["https://www.abc.com/"]     redis_key = 'abc:start_urls'    # redis队列关键字，使用 lpush abc:start_urls https://www.abc.com/ 放入初始网址，程序自动GET请求      def parse(self, response):         """         第一层：解析自动GET请求的初始网址         :param response:         :return:         """         abc_list = response.xpath('//nav[@class="header__nav"]//a/@href').extract()         if not abc_list:             return         for column_url in abc_list:             yield scrapy.Request(column_url, callback=self.abc_source, meta={'column_url': column_url})      def abc_source(self,response):         """         第二层：解析第一层获取并请求回来的网址         :param response:         :return:         """         column_url = response.meta['column_url']         print(column_url)         pass 

二、settings.py配置

项目settings.py文件增加下面代码即可

# 增加redis地址、端口 REDIS_HOST = '127.0.0.1' REDIS_PORT = 6379  # 配置scrapy-redis调度器 SCHEDULER = "scrapy_redis.scheduler.Scheduler" # 配置爬取去重 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" # 断点续连，不用从头开始爬 SCHEDULER_PERSIST = True