Python進行Scrapy-redis分布式爬取的方法

Python進行Scrapy-redis分布式爬取的方法？這個問題可能是我們?nèi)粘W習或工作經(jīng)常見到的。希望通過這個問題能讓你收獲頗深。下面是小編給大家?guī)淼膮⒖純?nèi)容，讓我們一起來看看吧！

平時爬蟲一般都使用Scrapy框架，通常都是在一臺機器上跑，爬取速度也不能達到預期效果，數(shù)據(jù)量小，而且很容易就會被封禁IP或者賬號，這時候可以使用代理IP或者登錄方式爬，然而代理IP很多時候都很雞肋，除非使用付費版IP，但是和真實IP差別很大。這時候便有了Scrapy-redis分布式爬蟲框架，它基于Scrapy改造，把Scrapy的調度器（scheduler）換成了Scrapy-redis的調度器，可以輕松達到目的，利用多臺服務器來爬取數(shù)據(jù)，而且還可以自動去重，效率高。爬取的數(shù)據(jù)默認保存在redis緩存中，速度很快。

Scrapy工作原理：

Scrapy-redis工作原理：

中間的就是調度器

豆瓣電影簡易分布式爬蟲

我這里直接使用start_urls的方式，數(shù)據(jù)存入到Mysql中

class DoubanSpider(RedisSpider):
    name = 'douban'
    redis_key = 'douban:start_urls'
    allowed_domains = ['douban.com']
    def start_requests(self):
        urls = get_urls()
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)
    def parse(self, response):
        # item_loader = MovieItemLoader(item=MovieItem, response=response)
        #
        # item_loader.add_xpath('title', '')
        item = MovieItem()
        print(response.url)
        item['movieId'] = int(response.url.split('subject/')[1].replace('/', ''))
        item['title'] = response.xpath('//h2/span/text()').extract()[0]
        item['year'] = response.xpath('//h2/span/text()').extract()[1].split('(')[1].split(')')[0] or '2019'
        item['url'] = response.url
        item['cover'] = response.xpath('//a[@class="nbgnbg"]/img/@src').extract()[0]
        try:
            item['director'] = response.xpath('//a[@rel="v:directedBy"]/text()').extract()[0] or '無'
        except Exception:
            item['director'] = '暫無'
        item['major'] = '/'.join(response.xpath('//a[@rel="v:starring"]/text()').extract())
        item['category'] = ','.join(response.xpath('//span[@property="v:genre"]/text()').extract())
        item['time'] = ','.join(response.xpath('//span[@property="v:initialReleaseDate"]/text()').extract())
        try:
            item['duration'] = response.xpath('//span[@property="v:runtime"]/text()').extract()[0]
        except Exception:
            item['duration'] = '暫無'
        item['score'] = response.xpath('//strong[@property="v:average"]/text()').extract()[0]
        item['comment_nums'] = response.xpath('//span[@property="v:votes"]/text()').extract()[0] or 0
        item['desc'] = response.xpath('//span[@property="v:summary"]/text()').extract()[0].strip()
        actor_list = response.xpath('//ul[@class="celebrities-list from-subject __oneline"]/li/a/@title').extract()
        actor_img_list = response.xpath('//ul[@class="celebrities-list from-subject __oneline"]/li/a/div/@style').
        extract()
        actor_img_list = [i.split('url(')[1].replace(')', '') for i in actor_img_list]
        item['actor_name_list'] = '----'.join(actor_list)
        item['actor_img_list'] = '----'.join(actor_img_list)
        yield item

settings.py文件

BOT_NAME = 'MovieSpider'
SPIDER_MODULES = ['MovieSpider.spiders']
NEWSPIDER_MODULE = 'MovieSpider.spiders'
# REDIS_HOST = '127.0.0.1'
# REDIS_PORT = 6379
REDIS_URL = 'redis://username:password@xxx.xxx.xxx.xxx:6379'
# Obey robots.txt rules
ROBOTSTXT_OBEY = False
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# Ensure all spiders share same duplicates filter through redis.
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300,
    'MovieSpider.pipelines.MysqlPipeline': 200,
}

這里只是為了多臺服務器一起爬取，沒有手動在redis中推入起始的URL

此時將爬蟲項目上傳到其他服務器上，一起開始

效果如下：

感謝各位的閱讀！看完上述內(nèi)容，你們對Python進行Scrapy-redis分布式爬取的方法大概了解了嗎？希望文章內(nèi)容對大家有所幫助。如果想了解更多相關文章內(nèi)容，歡迎關注億速云行業(yè)資訊頻道。