Scrapy-redis 实现分布式_综合

导读

概念：搭建一个分布式的机群，让其对一组资源进行分布式爬取。
作用：提升爬虫的效率

如何实现分布式？

1.安装scrapy-redis的组件
2.scrapy-redis组件的作用：可以给原生的scrapy框架提供可以被共享的调度器和管道。

实现流程

1.创建一个工程
2.创建一个基于CrawlSpider的爬虫文件。

3.修改当前的爬虫文件：

       1.   导包： ```from scrapy_redis.spiders import RedisCrawlSpider ```2 将start_urls和allowed_domains进行注释3  添加一个新的属性值：redis_key = 'xxxx' 可以被共享的调度器名称4  编写数据解析相关的工作5  将当前爬虫继承的父类改写成 RedisCrawlSpider

4.修改settings配置文件

指定可以被共享的管道：

ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline':400
}
# 当下载scrapy_redis库后，RedisPipeline管道已经在库中存在了，不用自己创建

指定调度器

DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'
# 增加一个去重容器类的配置，作用：使用redis的set集合来储存请求的指纹数据，从而起到请求去重的持久化
SCHEDULER = 'scrapy_redis.scheduler.Scheduler'
# 使用scrapy-redis自己的调度器
SCHEDULER_PERSIST = True
# 配置调度器是否要持久化，也就是爬虫结束后，要不要清空redis中的请求队列和去重指纹的set 
# 若爬取中断，下一次从中断的位置开始爬取

指定redis服务器

REDIS_HOST = 'redis的服务器ip地址'
REDIS_POST = '6379'
# 若存本机可写127.0.0.1

5.redis相关操作配置：

配置redis的配置文件：1.linux:redis.windows.conf. 2. 代开文件配置：1.将bind 127.0.0.1注释。2.关闭保护模式 protected-mode：yes改为no 3.daemonize 改为 yes（表示可以后台运行）
结合配置文件开启redis服务： redis-server redis.windows.conf
启动客户端：redis-cli.exe

6 执行工程：scrapy runspider xxx.py
7. 像调度器队列放入一个起始的url：调度器的队列在redis客户端中： lpush xxx(redis_key) www.xxx.com
8. 爬取到的数据储存在redis的proName：items这个数据结构当中
9.查看数据：在redis的客户端输入：1. keys* 2.lrange xxx:items 0 -1 (显示爬到的数据) 3. llen xxx:items(看爬了多少数据)