分布式爬虫那些事儿

什么是分布式爬虫？

假设你有一群小伙伴，他们每个人都在帮你剥花生壳，然后把剥好的花生仁都丢到你面前的盘子里。分布式爬虫也差不多，许多台电脑一起上阵，各自负责去同一个网站获取数据，这叫建立一个分布式机群。

为什么要用分布式？

你一个人剥花生，速度自然慢。如果有一大堆人帮你，速度嗖嗖的上升。同理，为了提升爬取数据的效率，我们就用分布式爬虫。

怎么实现分布式爬虫？

我们用 scrapy+redis，具体是通过 scrapy-redis 这个组件来实现分布式。

为什么原版 scrapy 做不了分布式？

因为它的调度器和管道不能共享，像你只能独享这堆花生仁，别人就只能干瞪眼了。

scrapy-redis 组件有啥用？

它提供了可以被大家一起分享的调度器和管道！

环境安装：

• 安装 redis

• 安装 scrapy-redis：

  pip install scrapy-redis

编码流程：

1. 创建一个新的工程

2. 创建一个爬虫文件

这个爬虫文件可以是基于 CrawlSpider 的，也可以是普通爬虫文件。

3. 修改爬虫文件

• 导入必要的包：

  from scrapy_redis.spiders import RedisCrawlSpider  # 如果你用普通的Spider可以用 RedisSpider

• 把 start_urls 替换成：

  redis_key = 'your_queue_name'

  表示这是一个共享调度器的队列名称。

• 编写爬虫类爬取数据的逻辑（注意：这时候不写起始URL）：

  class MySpider(RedisCrawlSpider):  
      name = 'my_spider'
      redis_key = 'my_spider:start_urls'
      
      def parse(self, response):
          # your parsing logic here
          pass

4. 对 settings.py 进行配置：

• 开启共享管道：

  ITEM_PIPELINES = {
      'scrapy_redis.pipelines.RedisPipeline': 400
  }

• 指定调度器：

  # 使用Redis的set集合来存储请求的指纹数据，实现请求去重
  DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'
  
  # 使用scrapy-redis组件自己的调度器
  SCHEDULER = 'scrapy_redis.scheduler.Scheduler'
  
  # 配置调度器是否要持久化，爬虫结束后是否清空Redis中请求队列和去重指纹的set
  SCHEDULER_PERSIST = True

• 指定Redis服务地址和端口：

  REDIS_HOST = 'your_redis_server_ip'
  REDIS_PORT = 6379

5. 修改Redis配置文件：redis.windows.conf

• 在第56行，将 #bind 127.0.0.1 去掉注释。
• 在第75行，将 protected-mode 设置为 no。

6. 启动Redis服务

带上配置文件启动：

redis-server redis.windows.conf

7. 启动Redis客户端

redis-cli

执行我们的工程：

• 进入爬虫文件对应的目录，运行爬虫：

  scrapy runspider your_spider.py

最后一步，向调度器队列中添加一个起始URL：

在Redis客户端中输入：

lpush your_queue_name 'http://www.example.com'

这个 your_queue_name 就是你在爬虫文件中定义的 redis_key。

现在，就可以看着你的分布式爬虫计算机群高效地运行了！