Python 爬虫入门（十一）：Scrapy高级应用之并发与分布式「详细介绍」
- 前言
- [1. 并发爬取](#1. 并发爬取)
-
- [1.1 并发爬取的基本概念](#1.1 并发爬取的基本概念)
- [1.2 Scrapy 中的并发配置](#1.2 Scrapy 中的并发配置)
- [1.3 示例项目：抓取 JSONPlaceholder 的数据](#1.3 示例项目：抓取 JSONPlaceholder 的数据)
- [2. 分布式爬取](#2. 分布式爬取)
-
- [2.1 分布式爬取的基本概念](#2.1 分布式爬取的基本概念)
- [2.2 Scrapy-Redis 的安装与配置](#2.2 Scrapy-Redis 的安装与配置)
- [2.3 修改爬虫实现分布式爬取](#2.3 修改爬虫实现分布式爬取)
- [3. 并发与分布式爬取的最佳实践](#3. 并发与分布式爬取的最佳实践)
-
- [3.1 优化并发性能](#3.1 优化并发性能)
- [3.2 分布式爬取中的常见问题](#3.2 分布式爬取中的常见问题)
- [3.3 监控和调试](#3.3 监控和调试)
- [4. 示例项目：分布式抓取 JSONPlaceholder 的所有数据](#4. 示例项目：分布式抓取 JSONPlaceholder 的所有数据)
- 总结
前言
欢迎来到"Python 爬虫入门"系列文章。在前面的文章中，我们已经学习了如何使用 Scrapy 来构建基本的爬虫项目。本篇文章将深入探讨 Scrapy 的高级应用，特别是如何实现并发爬取和分布式爬取。
并发爬取 和分布式爬取是提升爬虫效率的两大关键技术。并发爬取允许我们同时发出多个请求，大幅提高爬取速度；分布式爬取则让我们能够将爬取任务分散到多个机器上执行，从而处理大规模数据的抓取任务。
1. 并发爬取
1.1 并发爬取的基本概念
并发爬取是指同时发出多个 HTTP 请求，以提高数据抓取的效率。
在 Scrapy 中，并发爬取的实现非常简单，主要通过调整配置项来控制并发请求的数量。
1.2 Scrapy 中的并发配置
在 Scrapy 中，可以通过修改
settings.py文件中的配置项来实现并发爬取。
以下是一些常用的配置项：
CONCURRENT_REQUESTS: 控制 Scrapy 同时处理的最大并发请求数。默认值是 16。CONCURRENT_REQUESTS_PER_DOMAIN: 控制 Scrapy 同时处理的每个域名的最大并发请求数。默认值是 8。CONCURRENT_REQUESTS_PER_IP: 控制 Scrapy 同时处理的每个 IP 的最大并发请求数。默认值是 0（表示不限制）。
示例配置：
python
# settings.py
CONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 16
CONCURRENT_REQUESTS_PER_IP = 161.3 示例项目：抓取 JSONPlaceholder 的数据
接下来，我们将创建一个 Scrapy 项目，从 JSONPlaceholder 抓取用户数据，并实现并发爬取。
首先，创建 Scrapy 项目：
bash
scrapy startproject jsonplaceholder
cd jsonplaceholder创建爬虫：
bash
scrapy genspider users jsonplaceholder.typicode.com修改爬虫文件 users.py：
python
import scrapy
class UsersSpider(scrapy.Spider):
name = 'users'
allowed_domains = ['jsonplaceholder.typicode.com']
start_urls = ['https://jsonplaceholder.typicode.com/users']
def parse(self, response):
users = response.json()
for user in users:
yield {
'id': user['id'],
'name': user['name'],
'username': user['username'],
'email': user['email'],
'address': user['address'],
'phone': user['phone'],
'website': user['website'],
'company': user['company'],
}配置并发设置：
python
# settings.py
CONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 16
CONCURRENT_REQUESTS_PER_IP = 16运行爬虫：
bash
scrapy crawl users以上配置将允许 Scrapy 同时发出最多 32 个请求，每个域名和每个 IP 的最大并发请求数分别为 16。
2. 分布式爬取
2.1 分布式爬取的基本概念
分布式爬取是指将爬取任务分布到多个机器上执行，从而提升数据抓取的效率和规模。
在 Scrapy 中，分布式爬取通常通过结合分布式任务队列（如 Redis）来实现。
2.2 Scrapy-Redis 的安装与配置
Scrapy-Redis 是一个用于将 Scrapy 爬虫转换为分布式爬虫的扩展。
通过 Scrapy-Redis，我们可以将请求队列和抓取结果存储在 Redis 中，从而实现分布式爬取。
安装 Scrapy-Redis：
bash
pip install scrapy-redis2.3 修改爬虫实现分布式爬取
修改 settings.py 文件：
python
# settings.py
# 使用 Scrapy-Redis 的调度器和去重类
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# Redis 连接配置
REDIS_URL = 'redis://localhost:6379'
# 爬取过程中可以暂停和恢复
SCHEDULER_PERSIST = True
# 使用 Scrapy-Redis 的 item pipeline
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 300,
}修改爬虫文件 users.py：
python
import scrapy
from scrapy_redis.spiders import RedisSpider
class UsersSpider(RedisSpider):
name = 'users'
allowed_domains = ['jsonplaceholder.typicode.com']
redis_key = 'users:start_urls'
def parse(self, response):
users = response.json()
for user in users:
yield {
'id': user['id'],
'name': user['name'],
'username': user['username'],
'email': user['email'],
'address': user['address'],
'phone': user['phone'],
'website': user['website'],
'company': user['company'],
}在 Redis 中添加初始 URL：
bash
redis-cli lpush users:start_urls https://jsonplaceholder.typicode.com/users运行爬虫：
bash
scrapy crawl users通过上述配置和修改，我们将爬虫转换为了分布式爬虫，可以在多个机器上同时运行爬虫，并将抓取结果存储在 Redis 中。
3. 并发与分布式爬取的最佳实践
3.1 优化并发性能
- 合理设置并发请求数：根据目标网站的性能和带宽，合理设置并发请求数，避免过度请求导致目标网站崩溃。
- 使用下载延迟：适当设置下载延迟，防止请求过于频繁导致被目标网站封禁。
示例配置：
python
# settings.py
DOWNLOAD_DELAY = 0.5 # 每个请求之间的延迟时间（秒）
RANDOMIZE_DOWNLOAD_DELAY = True # 随机化下载延迟3.2 分布式爬取中的常见问题
- 去重策略：在分布式爬取中，确保每个 URL 仅被抓取一次，可以通过 Redis 的去重机制实现。
- 任务调度：合理调度分布式爬取任务，确保每个节点的任务负载均衡。
3.3 监控和调试
- 监控爬虫状态：使用 Scrapy 的日志和统计功能，监控爬虫的运行状态和抓取效率。
- 调试爬虫：使用 Scrapy 的 Shell 和调试工具，实时调试爬虫的抓取逻辑和数据解析。
4. 示例项目：分布式抓取 JSONPlaceholder 的所有数据
在本节中，我们将构建一个分布式爬虫项目，从 JSONPlaceholder 抓取所有数据，包括用户、帖子、评论、相册、照片和待办事项。
创建爬虫：
bash
scrapy genspider all_data jsonplaceholder.typicode.com修改爬虫文件 all_data.py：
python
import scrapy
from scrapy_redis.spiders import RedisSpider
class AllDataSpider(RedisSpider):
name = 'all_data'
allowed_domains = ['jsonplaceholder.typicode.com']
redis_key = 'all_data:start_urls'
def parse(self, response):
# 解析用户数据
if 'users' in response.url:
users = response.json()
for user in users:
yield {
'id': user['id'],
'name': user['name'],
'username': user['username'],
'email': user['email'],
'address': user['address'],
'phone': user['phone'],
'website': user['website'],
'company': user['company'],
}
# 解析帖子数据
elif 'posts' in response.url:
posts = response.json()
for post in posts:
yield {
'id': post['id'],
'userId': post['userId'],
'title': post['title'],
'body': post['body'],
}
# 解析评论数据
elif 'comments' in response.url:
comments = response.json()
for comment in comments:
yield {
'id': comment['id'],
'postId': comment['postId'],
'name': comment['name'],
'email': comment['email'],
'body': comment['body'],
}
# 解析相册数据
elif 'albums' in response.url:
albums = response.json()
for album in albums:
yield {
'id': album['id'],
'userId': album['userId'],
'title': album['title'],
}
# 解析照片数据
elif 'photos' in response.url:
photos = response.json()
for photo in photos:
yield {
'id': photo['id'],
'albumId': photo['albumId'],
'title': photo['title'],
'url': photo['url'],
'thumbnailUrl': photo['thumbnailUrl'],
}
# 解析待办事项数据
elif 'todos' in response.url:
todos = response.json()
for todo in todos:
yield {
'id': todo['id'],
'userId': todo['userId'],
'title': todo['title'],
'completed': todo['completed'],
}
def start_requests(self):
urls = [
'https://jsonplaceholder.typicode.com/users',
'https://jsonplaceholder.typicode.com/posts',
'https://jsonplaceholder.typicode.com/comments',
'https://jsonplaceholder.typicode.com/albums',
'https://jsonplaceholder.typicode.com/photos',
'https://jsonplaceholder.typicode.com/todos'
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)
# 解析相册数据
elif 'albums' in response.url:
albums = response.json()
for album in albums:
yield {
'id': album['id'],
'userId': album['userId'],
'title': album['title'],
}
# 解析照片数据
elif 'photos' in response.url:
photos = response.json()
for photo in photos:
yield {
'id': photo['id'],
'albumId': photo['albumId'],
'title': photo['title'],
'url': photo['url'],
'thumbnailUrl': photo['thumbnailUrl'],
}
# 解析待办事项数据
elif 'todos' in response.url:
todos = response.json()
for todo in todos:
yield {
'id': todo['id'],
'userId': todo['userId'],
'title': todo['title'],
'completed': todo['completed'],
}
def start_requests(self):
urls = [
'https://jsonplaceholder.typicode.com/users',
'https://jsonplaceholder.typicode.com/posts',
'https://jsonplaceholder.typicode.com/comments',
'https://jsonplaceholder.typicode.com/albums',
'https://jsonplaceholder.typicode.com/photos',
'https://jsonplaceholder.typicode.com/todos'
]
for url in urls:
yield scrapy.Request(url=url, callback=self.parse)总结
通过本文的学习，相信小伙伴们能够掌握 Scrapy 中并发爬取和分布式爬取的核心技术，并能够在实际项目中应用这些技术来提升数据抓取的效率。