Python学习之路-爬虫提高:scrapy_redis

avatar
作者
猴君
阅读量:0

Python学习之路-爬虫提高:scrapy_redis

scrapy_redis是什么

Scrapy_redis : Redis-based components for Scrapy.

Github地址:https://github.com/rmax/scrapy-redis

为什么要学习scrapy_redis

Scrapy_redis在scrapy的基础上实现了更多,更强大的功能,具体体现在:

  • 请求对象的持久化
  • 去重的持久化
  • 和实现分布式

scrapy_redis的原理分析

scrapy_redis的流程

  • 在scrapy_redis中,所有的带抓取的对象和去重的指纹都存在所有的服务器公用的redis中
  • 所有的服务器公用一个redis中的request对象
  • 所有的request对象存入redis前,都会在同一个redis中进行判断,之前是否已经存入过
  • 在默认情况下所有的数据会保存在redis中

redis的复习

redis是什么

redis是一个开源的内存型数据库,支持多种数据类型和结构,比如列表、集合、有序集合等

redis服务端和客户端的启动

  • /etc/init.d/redis-server start 启动服务端
  • redis-cli -h <hostname> -p <端口号> 客户端启动

redis中的常见命令

  1. select 1 切换db
  2. keys * 查看所有的键
  3. tyep 键 查看键的类型
  4. flushdb 清空db
  5. flushall 清空数据库

scrapy_redis domz爬虫分析

拷贝源码中的demo文件

1、clone github scrapy-redis源码文件 git clone https://github.com/rolando/scrapy-redis.git 2、研究项目自带的三个demo mv scrapy-redis/example-project ~/scrapyredis-project

观察dmoz文件

在domz爬虫文件中,实现方式就是之前的crawlspider类型的爬虫

from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule   class DmozSpider(CrawlSpider):     """Follow categories and extract links."""     name = 'dmoz'     allowed_domains = ['dmoztools.net']     start_urls = ['http://dmoztools.net/']      # 定义数据提取规则,使用了css选择器     rules = [         Rule(LinkExtractor(             restrict_css=('.top-cat', '.sub-cat', '.cat-item')         ), callback='parse_directory', follow=True),     ]      def parse_directory(self, response):         for div in response.css('.title-and-desc'):             yield {                 'name': div.css('.site-title::text').extract_first(),                 'description': div.css('.site-descr::text').extract_first().strip(),                 'link': div.css('a::attr(href)').extract_first(),             } 

但是在settings.py中多了一下几行,这几行表示scrapy_redis中重新实现的了去重的类,以及调度器,并且使用的RedisPipeline

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" SCHEDULER = "scrapy_redis.scheduler.Scheduler" SCHEDULER_PERSIST = True  ITEM_PIPELINES = {     'example.pipelines.ExamplePipeline': 300,     'scrapy_redis.pipelines.RedisPipeline': 400, } 

运行dmoz爬虫,观察现象

首先我们需要添加redis的地址,程序才能够使用redis

 REDIS_URL = "redis://127.0.0.1:6379"  #或者使用下面的方式  # REDIS_HOST = "127.0.0.1"  # REDIS_PORT = 6379 

我们执行domz的爬虫,会发现redis中多了一下三个键

继续执行程序,会发现程序在前一次的基础之上继续往后执行,所以domz爬虫是一个基于url地址的增量式的爬虫

scrapy_redis的原理分析

我们从settings.py中的三个配置来进行分析 分别是:

  • RedisPipeline
  • RFPDupeFilter
  • Scheduler

Scrapy_redis之RedisPipeline

RedisPipeline中观察process_item,进行数据的保存,存入了redis中

Scrapy_redis之RFPDupeFilter

RFPDupeFilter 实现了对request对象的加密

Scrapy_redis之Scheduler

scrapy_redis调度器的实现了决定什么时候把request对象加入带抓取的队列,同时把请求过的request对象过滤掉

由此可以总结出request对象入队的条件

  • request之前没有见过
  • request的dont_filter为True,即不过滤
  • start_urls中的url地址会入队,因为他们默认是不过滤

scrapy_redis实现分布式爬虫

RedisSpider

分析demo中代码

通过观察代码:

  • 继承自父类为RedisSpider
  • 增加了一个redis_key的键,没有start_urls,因为分布式中,如果每台电脑都请求一次start_url就会重复
  • 多了__init__方法,该方法不是必须的,可以手动指定allow_domains

RedisCrawlSpider

分析demo中的代码

和scrapy中的crawlspider的区别在于,继承自的父类不想听,redis_key需要添加

crontab爬虫定时启动

安装

命令:apt-get install cron

使用

命令:crontab -e 进入编辑页面(第一次会让你选择编辑器)

crontab -l查看当前的定时任务

编辑:

分 小时 日 月 星期 命令

0-59 0-23 1-31 1-12 0-6 command

注意点:

1.星期中0表示周日

2.每隔两个小时的时候前面的不能为*,为*表示每分钟都会执行

crontab在爬虫中的使用

使用流程

  1. 把爬虫启动命令写入.sh 文件
  2. .sh脚本添加可执行权限
  3. .sh 添加到crontab脚本正

myspier.sh例子

执行命令写入脚本

其中>>表示重定向,把print等信息导入log中

2>&1表示把标准错误作为标准输出,输入用0表示,标准输出用1表示,标准错误用2标识,通过该命令能够把错误一起输出到log中

 cd `dirname $0` || exit 1  python ./main.py >> run.log 2>&1 

添加可执行权限

sudo chmod +x myspder.sh

写入crontab中

sh脚本文件也可能会报错,对应的可以把其输出和错误重定向到run2.log中

 0 6 * * * /home/ubuntu/..../myspider.sh >> /home/ubuntu/.../run2.log 2>&1 

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!