python分布式爬虫及数据存储_分布式爬虫

爬虫学习使用指南

Auth: 王海飞

Data：2018-07-05

Email：@.com

github：https://github.com/coco369/knowledge

前言

说到分布式系统的时候，要和集中式系统进行对比的学习，下面就先介绍下集中式系统，对比它们的优缺点进行学习。

集中式系统

集中式系统：

集中式系统中整个项目就是一个独立的应用，整个应用也就是整个项目，所有的业务逻辑功能都在一个应用里面。如果遇到并发的瓶颈的时候，就多增加几台服务器来部署项目，以此来解决并发分问题。在nginx中进行负载均衡即可。

缺点：

a) 不易于扩展

b) 如果发现你的项目代码中有bug的话，那么你的所有的服务器中的项目代码都是有问题的，这时候要更新这个bug的时候，就需要同时更新所有的服务器了。

优点：

维护方便

分布式系统

分布式系统:

分布式系统中，我们的整个项目可以拆分成很多业务块，每一个业务块单独进行集群的部署。这样就将整个项目分开了，在进行拓展的时候，系统是很容易横向拓展的。在并发的时候，也很好的将用户的并发量提上去。

缺点：

a) 项目拆分的过于复杂，给运维带来了很高的维护成本

b) 数据的一致性，分布式事务，分布式锁等问题不能得到很好的解决

优点：

a) 一个业务模块崩了，并不影响其他的业务

b) 利于扩展

c) 在上线某个新功能的时候，只需要新增对应的分布式的节点即可，测试也只需要测试该业务功能即可。很好的避免了测试在上线之前需要将整个系统进行全方面的测试

1. scrapy的分布式原理

我们还是先回顾下scrapy的运行原理的构造图:

该图很好的阐释了在不是scrapy的服务器中的运行结构图，在维护爬取的url队列的时候，使用scheduler进行调度的。那么如果要修改为分布式的scrapy爬虫的话，其实就是将爬取的队列进行共享，多台部署了scrapy爬虫的服务器共享该爬取队列。

2. 分布式架构：

master-主机：维护爬虫队列。

slave-从机：数据爬取，数据处理，数据存储。

3. 搭建分布式爬虫

我们使用scrapy_redis进行分布式爬虫的搭建。

scrapy_redis是scrapy框架下的一个插件，通过重构调度器来使我们的爬虫运行的更快

3.1 安装

安装scrapy_redis：

pip install scrapy_redis

安装redis：

# redis可以仅在master主机上安装

pip install redis

安装数据存储数据库，采用mongodb 见: 安装配置地址

3.2 redis

在维护爬虫队列的时候，很多爬虫项目同时读取队列中的信息，就造成了可能读数据重复了，比如同时读取同一个url。为了避免这种情况，我们建议使用redis去维护队列。而且redis的集合中的元素还不是重复的，可以很好的利用这一点，进行url爬取地址的存储

3.3 分布式爬虫改造

3.3.1 master

master主机改造： 在master主机上安装redis并启动，最好设置密码

spiders文件中定义的爬虫py文件修改如下：

如下爬虫实现的功能是拿到需要爬取的成都各大区县的二手房页面url地址，包括分页的地址。并将数据存储到redis中

import json

from scrapy import Request

from scrapy.spiders import Spider

from scrapy.selector import Selector

from lianjiaspider.items import LianjiaspiderItem, MasterItem

class LianJiaSpider(Spider):

name = ‘lianjia’

# allowed_domains = [‘lianjia.com’]

domains_url = ‘https://cd.lianjia.com’

start_linjia_url = ‘https://cd.lianjia.com/ershoufang’

def start_requests(self):

yield Request(self.start_linjia_url)

def parse(self, response):

sel = Selector(response)

ershoufang_aera = sel.xpath(‘//div[@data-role=”ershoufang”]’)

area_info = ershoufang_aera.xpath(‘./div/a’)

for area in area_info:

area_href = area.xpath(‘./@href’).extract()[0]

area_name = area.xpath(‘./text()’).extract()[0]

yield Request(self.domains_url + area_href,

callback=self.parse_house_info,

meta={‘name’: area_name, ‘href’: area_href})

def parse_house_info(self, response):

sel = Selector(response)

page_box = sel.xpath(‘//div[@class=”page-box house-lst-page-box”]/@page-data’).extract()

total_page = json.loads(page_box[0]).get(‘totalPage’)

for i in range(1, int(total_page)+1):

item = MasterItem()

item[‘url’] = self.domains_url + response.meta.get(‘href’) + ‘pg’ + str(i)

yield item

定义Item

接收一个地址url参数：

class MasterItem(scrapy.Item):

url = scrapy.Field()

新增redis存储中间件

class MasterPipeline(object):

def __init__(self):

# 链接redis

self.r = redis.Redis(host=’127.0.0.1′, port=6379)

def process_item(self, item, spider):

# 向redis中插入需要爬取的链接地址

self.r.lpush(‘lianjia:start_urls’, item[‘url’])

3.3.2 slave改造：

slave从机改造：slave从机访问redis，直接去访问master主机上的redis的地址，以及端口密码等信息

spiders爬虫文件改造

继承改为继承Redisspider

from scrapy_redis.spiders import RedisSpider

具体代码优化如下：

from scrapy_redis.spiders import RedisSpider

from scrapy.selector import Selector

from lianjiaspider.items import LianjiaspiderItem

class LianJiaSpider(RedisSpider):

name = ‘lianjia’

# 指定访问redis的爬取urls的队列

redis_key = ‘lianjia:start_urls’

def parse(self, response):

sel = Selector(response)

lis = sel.xpath(‘//html/body/div[4]/div[1]/ul/li[@class=”clear”]’)

for li in lis:

item = LianjiaspiderItem()

item[‘house_code’] = li.xpath(‘./a/@data-housecode’).extract()[0]

if li.xpath(‘./a/img/@src’).extract():

item[‘img_src’] = li.xpath(‘./a/img/@src’).extract()[0]

if li.xpath(‘./div/div/a/text()’).extract():

item[‘title’] = li.xpath(‘./div/div/a/text()’).extract()[0]

item[‘address’] = li.xpath(‘./div/div[2]/div/a/text()’).extract()

item[‘info’] = li.xpath(‘./div/div[2]/div/text()’).extract()

item[‘flood’] = li.xpath(‘./div/div[3]/div/text()’).extract()

item[‘tag’] = li.xpath(‘.//div[@class=”tag”]/span/text()’).extract()

item[‘type’] = ‘ershoufang’

item[‘city’] = ‘成都’

yield item

def split_house_info(self, info):

return [i.strip() for i in info.split(‘|’)[1:]]

settings.py配置改造

新增如下的配置：

# scrapy-redis

REDIS_URL = ‘redis://:yzd@127.0.0.1:6379’ # for master

# REDIS_URL = ‘redis://:yzd@10.140.0.2:6379’ # for slave (master’s ip)

# SCHEDULER 是任务分发与调度，把所有的爬虫开始的请求都放在redis里面，所有爬虫都去redis里面读取请求。

SCHEDULER = “scrapy_redis.scheduler.Scheduler”

# 如果这一项设为True，那么在Redis中的URL队列不会被清理掉，但是在分布式爬虫共享URL时，要防止重复爬取。如果设为False，那么每一次读取URL后都会将其删掉，但弊端是爬虫暂停后重新启动，他会重新开始爬取。

SCHEDULER_PERSIST = True

# REDIS_START_URLS_AS_SET指的是使用redis里面的set类型(简单完成去重)，如果你没有设置，默认会选用list。

REDIS_START_URLS_AS_SET = True

# DUPEFILTER_CLASS 是去重队列，负责所有请求的去重

DUPEFILTER_CLASS = “scrapy_redis.dupefilter.RFPDupeFilter”

# 爬虫的请求调度算法，有三种可供选择

# scrapy_redis.queue.SpiderQueue：队列。先入先出队列，先放入Redis的请求优先爬取；

# scrapy_redis.queue.SpiderStack：栈。后放入Redis的请求会优先爬取；

# scrapy_redis.queue.SpiderPriorityQueue：优先级队列。根据优先级算法计算哪个先爬哪个后爬

SCHEDULER_QUEUE_CLASS = “scrapy_redis.queue.SpiderQueue”

# 设置链接redis的配置，或者如下分别设置端口和IP地址

REDIS_URL = ‘redis://127.0.0.1:6379’

# 分布式爬虫设置Ip端口

REDIS_HOST = ‘127.0.0.1’

REDIS_PORT = 6379