scrapy-redis使用以及剖析
Posted 零度大白
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使用以及剖析相关的知识，希望对你有一定的参考价值。
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
|
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 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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
|
"""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
|
1
2
3
4
5
6
7
8
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
"""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使用以及剖析的主要内容，如果未能解决你的问题，请参考以下文章