scrapy-redis怎么使用

Posted 2023-04-08

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了scrapy-redis怎么使用相关的知识，希望对你有一定的参考价值。

参考技术A master的爬虫运行时会把提取到的url封装成request放到redis中的数据库：“dmoz:requests”，并且从该数据库中提取request后下载网页，再把网页的内容存放到redis的另一个数据库中“dmoz:items”
slave从master的redis中取出待抓取的request，下载完网页之后就把网页的内容发送回master的redis！

scrapy-redis使用以及剖析

scrapy-redis是一个基于redis的scrapy组件，通过它可以快速实现简单分布式爬虫程序，该组件本质上提供了三大功能：

scheduler - 调度器
dupefilter - URL去重规则（被调度器使用）
pipeline - 数据持久化

scrapy-redis组件

1. URL去重

定义去重规则（被调度器调用并应用）
 
    a. 内部会使用以下配置进行连接Redis
 
        # REDIS_HOST = \'localhost\'                            # 主机名
        # REDIS_PORT = 6379                                   # 端口
        # REDIS_URL = \'redis://user:pass@hostname:9001\'       # 连接URL（优先于以上配置）
        # REDIS_PARAMS  = {}                                  # Redis连接参数             默认：REDIS_PARAMS = {\'socket_timeout\': 30,\'socket_connect_timeout\': 30,\'retry_on_timeout\': True,\'encoding\': REDIS_ENCODING,}）
        # REDIS_PARAMS[\'redis_cls\'] = \'myproject.RedisClient\' # 指定连接Redis的Python模块  默认：redis.StrictRedis
        # REDIS_ENCODING = "utf-8"                            # redis编码类型             默认：\'utf-8\'
     
    b. 去重规则通过redis的集合完成，集合的Key为：
     
        key = defaults.DUPEFILTER_KEY % {\'timestamp\': int(time.time())}
        默认配置：
            DUPEFILTER_KEY = \'dupefilter:%(timestamp)s\'
              
    c. 去重规则中将url转换成唯一标示，然后在redis中检查是否已经在集合中存在
     
        from scrapy.utils import request
        from scrapy.http import Request
         
        req = Request(url=\'http://www.cnblogs.com/wupeiqi.html\')
        result = request.request_fingerprint(req)
        print(result) # 8ea4fd67887449313ccc12e5b6b92510cc53675c
         
         
        PS:
            - URL参数位置不同时，计算结果一致；
            - 默认请求头不在计算范围，include_headers可以设置指定请求头
            示例：
                from scrapy.utils import request
                from scrapy.http import Request
                 
                req = Request(url=\'http://www.baidu.com?name=8&id=1\',callback=lambda x:print(x),cookies={\'k1\':\'vvvvv\'})
                result = request.request_fingerprint(req,include_headers=[\'cookies\',])
                 
                print(result)
                 
                req = Request(url=\'http://www.baidu.com?id=1&name=8\',callback=lambda x:print(x),cookies={\'k1\':666})
                 
                result = request.request_fingerprint(req,include_headers=[\'cookies\',])
                 
                print(result)
         
"""
# Ensure all spiders share same duplicates filter through redis.
# DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

2. 调度器

"""
调度器，调度器使用PriorityQueue（有序集合）、FifoQueue（列表）、LifoQueue（列表）进行保存请求，并且使用RFPDupeFilter对URL去重
     
    a. 调度器
        SCHEDULER_QUEUE_CLASS = \'scrapy_redis.queue.PriorityQueue\'          # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
        SCHEDULER_QUEUE_KEY = \'%(spider)s:requests\'                         # 调度器中请求存放在redis中的key
        SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"                  # 对保存到redis中的数据进行序列化，默认使用pickle
        SCHEDULER_PERSIST = True                                            # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
        SCHEDULER_FLUSH_ON_START = True                                     # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
        SCHEDULER_IDLE_BEFORE_CLOSE = 10                                    # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
        SCHEDULER_DUPEFILTER_KEY = \'%(spider)s:dupefilter\'                  # 去重规则，在redis中保存时对应的key
        SCHEDULER_DUPEFILTER_CLASS = \'scrapy_redis.dupefilter.RFPDupeFilter\'# 去重规则对应处理的类
 
 
"""
# Enables scheduling storing requests queue in redis.
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
 
# Default requests serializer is pickle, but it can be changed to any module
# with loads and dumps functions. Note that pickle is not compatible between
# python versions.
# Caveat: In python 3.x, the serializer must return strings keys and support
# bytes as values. Because of this reason the json or msgpack module will not
# work by default. In python 2.x there is no such issue and you can use
# \'json\' or \'msgpack\' as serializers.
# SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"
 
# Don\'t cleanup redis queues, allows to pause/resume crawls.
# SCHEDULER_PERSIST = True
 
# Schedule requests using a priority queue. (default)
# SCHEDULER_QUEUE_CLASS = \'scrapy_redis.queue.PriorityQueue\'
 
# Alternative queues.
# SCHEDULER_QUEUE_CLASS = \'scrapy_redis.queue.FifoQueue\'
# SCHEDULER_QUEUE_CLASS = \'scrapy_redis.queue.LifoQueue\'
 
# Max idle time to prevent the spider from being closed when distributed crawling.
# This only works if queue class is SpiderQueue or SpiderStack,
# and may also block the same time when your spider start at the first time (because the queue is empty).
# SCHEDULER_IDLE_BEFORE_CLOSE = 10　　

3. 数据持久化

2. 定义持久化，爬虫yield Item对象时执行RedisPipeline
     
    a. 将item持久化到redis时，指定key和序列化函数
     
        REDIS_ITEMS_KEY = \'%(spider)s:items\'
        REDIS_ITEMS_SERIALIZER = \'json.dumps\'
     
    b. 使用列表保存item数据

4. 起始URL相关

"""
起始URL相关
 
    a. 获取起始URL时，去集合中获取还是去列表中获取？True，集合；False，列表
        REDIS_START_URLS_AS_SET = False    # 获取起始URL时，如果为True，则使用self.server.spop；如果为False，则使用self.server.lpop
    b. 编写爬虫时，起始URL从redis的Key中获取
        REDIS_START_URLS_KEY = \'%(name)s:start_urls\'
         
"""
# If True, it uses redis\' ``spop`` operation. This could be useful if you
# want to avoid duplicates in your start urls list. In this cases, urls must
# be added via ``sadd`` command or you will get a type error from redis.
# REDIS_START_URLS_AS_SET = False
 
# Default start urls key for RedisSpider and RedisCrawlSpider.
# REDIS_START_URLS_KEY = \'%(name)s:start_urls\'

scrapy-redis示例

# DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#
#
# from scrapy_redis.scheduler import Scheduler
# from scrapy_redis.queue import PriorityQueue
# SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# SCHEDULER_QUEUE_CLASS = \'scrapy_redis.queue.PriorityQueue\'          # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
# SCHEDULER_QUEUE_KEY = \'%(spider)s:requests\'                         # 调度器中请求存放在redis中的key
# SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"                  # 对保存到redis中的数据进行序列化，默认使用pickle
# SCHEDULER_PERSIST = True                                            # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
# SCHEDULER_FLUSH_ON_START = False                                    # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
# SCHEDULER_IDLE_BEFORE_CLOSE = 10                                    # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
# SCHEDULER_DUPEFILTER_KEY = \'%(spider)s:dupefilter\'                  # 去重规则，在redis中保存时对应的key
# SCHEDULER_DUPEFILTER_CLASS = \'scrapy_redis.dupefilter.RFPDupeFilter\'# 去重规则对应处理的类
#
#
#
# REDIS_HOST = \'10.211.55.13\'                           # 主机名
# REDIS_PORT = 6379                                     # 端口
# # REDIS_URL = \'redis://user:pass@hostname:9001\'       # 连接URL（优先于以上配置）
# # REDIS_PARAMS  = {}                                  # Redis连接参数             默认：REDIS_PARAMS = {\'socket_timeout\': 30,\'socket_connect_timeout\': 30,\'retry_on_timeout\': True,\'encoding\': REDIS_ENCODING,}）
# # REDIS_PARAMS[\'redis_cls\'] = \'myproject.RedisClient\' # 指定连接Redis的Python模块  默认：redis.StrictRedis
# REDIS_ENCODING = "utf-8"                              # redis编码类型             默认：\'utf-8\'

import scrapy


class ChoutiSpider(scrapy.Spider):
    name = "chouti"
    allowed_domains = ["chouti.com"]
    start_urls = (
        \'http://www.chouti.com/\',
    )

    def parse(self, response):
        for i in range(0,10):
            yield

import scrapy


class ChoutiSpider(scrapy.Spider):
    name = "chouti"
    allowed_domains = ["chouti.com"]
    start_urls = (
        \'http://www.chouti.com/\',
    )

    def parse(self, response):
        for i in range(0,10):
            yield

以上是关于scrapy-redis怎么使用的主要内容，如果未能解决你的问题，请参考以下文章

Scrapy-redis分布式+Scrapy-redis实战

scrapy-redis分布式爬虫

scrapy-redis使用以及剖析

python高级之scrapy-redis

scrapy 如何链接有密码的redis scrapy-redis 设置redis 密码 scrapy-redis如何为redis配置密码