Python3 爬虫 Scrapy 与 Redis

Scrapy是一个分布式爬虫的框架，如果把它像普通的爬虫一样单机运行，它的优势将不会被体现出来。因此，要让Scrapy往分布式爬虫方向发展，就需要学习Scrapy与Redis的结合使用。Redis在Scrapy的爬虫中作为一个队列存在。

一、Scrapy_redis的安装和使用

Scrapy自带的待爬队列是deque，而现在需要使用Redis来作为队列，所以就需要将原来操作deque的方法替换为操作Redis的方法。但是，如果要把三轮车换成挖掘机，驾驶员也必须从三轮车驾驶员换成挖掘机驾驶员。Scrapy_redis在这里就充当驾驶员的角色。更准确地说，Scrapy_redis是Scrapy的"组件"，它已经封装了使用Scrapy操作Redis的各个方法。

Windows、Linux和Mac OS都可以在CMD或者终端中使用pip安装Scrapy_redis：

pip install scrapy_redis

Scrapy_redis本身非常小，但是由于pip会自动安装依赖，所以它会去检查Scrapy和相关的依赖库是否已经安装。如果已经安装了，会提示需求已经满足（Requirement already satisfied），不会重复安装。

使用Redis缓存网页并自动去重

由于Scrapy_redis已经封装了大部分的流程，所以我们使用它不会有任何难度。

启动Redis

首先需要把Redis启动起来。对于Mac OS/Linux系统，直接在终端下面输入以下命令并按Enter键：

redis-server

在Windows系统中，通过CMD的cd命令进入存放Redis的文件夹，并运行：

redis-server.exe

修改爬虫

在前面的代码中，爬虫继承自scrapy.Spider这个父类。这是Scrapy里面最基本的一个爬虫类，只能实现基本的爬虫功能。现在需要把它替换掉，从而实现更高级的功能。

首先需要导入支持Redis的爬虫父类并使用：

from scrapy_redis.spiders import RedisSpider

class Exercise114Spider(RedisSpider): 
  name = "exercise11_4"
  redis_key = 'exercise114spider:start_urls'
  ...

请对比上面这段使用了Scrapy_redis的代码与前面例子中爬虫的代码头部有什么不同。

可以看出，这里爬虫的父类已经改成了RedisSpider，同时多了以下内容：

redis_key = 'exercise114spider:start_urls'

这里的redis_key实际上就是一个变量名，之后爬虫爬到的所有URL都会保存到Redis中这个名为"exercise114spider:start_urls"的列表下面，爬虫同时也会从这个列表中读取后续页面的URL。这个变量名可以任意修改，里面的英文冒号也不是必需的。不过一般习惯上会写成"爬虫名:start_urls"这种形式，这样看到名字就知道保存的是什么内容了。

除了导入的类和redis_key这两点以外，爬虫部分的其他代码都不需要做任何修改。原来解析XPath的代码可以正常工作，原来保存数据到MongoDB的代码也可以正常工作。

实际上，此时已经建立了一个分布式爬虫，只不过现在只有一台计算机。

修改设置

现在已经把三轮车换成了挖掘机，但是Scrapy按照指挥三轮车的方式指挥挖掘机，所以挖掘机还不能正常工作。因此修改爬虫文件还不行，Scrapy还不能认识这个新的爬虫，还需要修改settings.py。

（1）Scheduler

首先是调度Scheduler的替换。这是Scrapy中的调度员。在settings.py中添加以下代码：

# Enables scheduling storing requests queue in redis. 
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

（2）去重

# Ensure all spiders share same duplicates filter through redis. 
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

设置好上面两项以后，爬虫已经可以正常开始工作了。不过我们还可以多设置一些东西使爬虫更好用。

（3）爬虫请求的调度算法

爬虫请求的调度算法，有3种情况可供选择。

① 队列

SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderQueue'

如果不配置调度算法，默认就会使用这种方式。它实现了一个先入先出的队列，先放进Redis的请求会优先爬取。

② 栈

SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderStack'

这种方式，后放入到Redis的请求会优先爬取。

③ 优先级队列

SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderStack'

这种方式，会根据一个优先级算法来计算哪些请求先爬取，哪些请求后爬取。这个优先级算法比较复杂，会综合考虑请求的深度等各个因素。

在实际爬虫开发过程中，从以上3项中选择一种并写到settings.py中即可。

（4）不清理Redis队列

# Don't cleanup redis queues, allows to pause/resume crawls. 
SCHEDULER_PERSIST =True

如果这一项为True，那么Redis中的URL不会被Scrapy_redis清理掉。这样的好处是，爬虫停止了再重新启动，它会从上次暂停的地方开始继续爬取。

如果设置成了False，那么Scrapy_redis每一次读取了URL以后，就会把这个URL删除。爬虫暂停以后再重新启动，它会重新开始爬。

由于现在的爬虫和Redis在同一台计算机上面运行，所以可以不需要配置Redis的信息。Scrapy_redis会默认Redis就运行在现在这台计算机上，IP和端口也都是默认的127.0.0.1和6379。如果Redis不在本地的话，就需要将它们写出来：

REDIS_HOST = '127.0.0.1' #修改为Redis的实际IP地址 
REDIS_PORT = 6379 #修改为Redis的实际端口

二、Scrapy 小结

Scrapy在Windows中的安装最为烦琐，在Mac OS中的安装最为简单。由于Scrapy需要依赖非常多的第三方库文件，因此建议无论使用哪个系统安装，都要将Scrapy安装到Virtualenv创建的虚拟Python环境中，从而避免影响系统的Python环境。

使用Scrapy爬取网页，最核心的部分是构建XPath。而其他的各种配置都是一次配好、终生使用的。由于Scrapy的理念是将数据抓取的动作和数据处理的动作分开，因此对于数据处理的各种逻辑应该让pipeline来处理。数据抓取的部分只需要关注如何使用XPath提取数据。数据提取完成以后，提交给pipeline处理即可。

由于Scrapy爬虫爬取数据是异步操作，所以从一个页面跳到另一个页面是异步的过程，需要使用回调函数。

Scrapy爬取到的数据量非常大，所以应该使用数据库来保存。使用MongoDB会让数据保存工作变得非常简单。要让Scrapy使用MongoDB，只需要在pipeline中配置好数据保存的流程，再在settings.py中配置好ITEM_PIPELINES和MongoDB的信息即可。

使用Redis做缓存是从爬虫迈向分布式爬虫的一个起点。Scrapy安装scrapy_redis组件以后，就可以具备使用Redis的能力。在Scrapy中使用Redis需要修改爬虫的父类，需要在settings.py中设置好爬虫的调度和去重。同时对于Python 3，需要修改scrapy_redis的一行代码，才能让爬虫正常运行。

没有自由的秩序和没有秩序的自由，同样具有破坏性。