爬虫 - scrapy-redis分布式爬虫

Posted 2020-11-21 你与断剑皆遗憾

简介

Scrapy-Redis则是一个基于Redis的Scrapy分布式组件。它利用Redis对用于爬取的请求(Requests)进行存储和调度(Schedule)，

并对爬取产生的项目(items)存储以供后续处理使用。scrapy-redi重写了scrapy一些比较关键的代码，

将scrapy变成一个可以在多个主机上同时运行的分布式爬虫。 
参考Scrapy-Redis官方github地址

安装

1 pip3 install scrapy-redis

配置

连接redis

1 REDIS_HOST = ‘250.100.250.250‘         # 主机名
2 REDIS_PORT = 9999                      # 端口
3 REDIS_PARAMS  = {‘password‘:‘xxx‘}    # Redis连接参数             默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
4 REDIS_ENCODING = "utf-8"               # redis编码类型             默认：‘utf-8‘

或者：

1 REDIS_URL = ‘redis://user:[email protected]:9001‘       # 连接URL（优先于以上配置）

去重

1 DUPEFILTER_KEY = ‘dupefilter:%(timestamp)s‘
2 DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter‘

调度器配置

 1 SCHEDULER = "scrapy_redis.scheduler.Scheduler"
 2  
 3 DEPTH_PRIORITY = 1  # 广度优先
 4 # DEPTH_PRIORITY = -1 # 深度优先
 5 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）
 6  
 7 # 广度优先
 8 # SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.FifoQueue‘  # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
 9 # 深度优先
10 # SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.LifoQueue‘  # 默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
11 SCHEDULER_QUEUE_KEY = ‘%(spider)s:requests‘  # 调度器中请求存放在redis中的key
12  
13 SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"  # 对保存到redis中的数据进行序列化，默认使用pickle
14  
15 SCHEDULER_PERSIST = False  # 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
16 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
17 # 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）。
18  
19  
20 SCHEDULER_DUPEFILTER_KEY = ‘%(spider)s:dupefilter‘  # 去重规则，在redis中保存时对应的key
21  
22 # 优先使用DUPEFILTER_CLASS，如果么有就是用SCHEDULER_DUPEFILTER_CLASS
23 SCHEDULER_DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter‘  # 去重规则对应处理的类