Python爬虫从入门到精通:(38)分布式爬虫_Python涛哥

2024-03-17 01:32

本文主要是介绍Python爬虫从入门到精通:(38)分布式爬虫_Python涛哥,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

什么是分布式爬虫:

  1. 默认情况下,我们使用scrapy框架进行爬虫时使用的是单机爬虫,就是说它只能在一台电脑上运行,因为爬虫调度器当中的队列queue去重和set集合都只能在本机上创建的,其他电脑无法访问另外一台电脑上的内存和内容。
  2. 分布式爬虫实现了多台电脑使用一个共同的爬虫程序,它可以同时将爬虫任务部署到多台电脑上运行,这样可以提高爬虫速度,实现分布式爬虫。

分布式的主要内容在于配置!!!


实现方式

scrapy+redis(scrapy结合着scrapy-redis组件)

原生的scrapy框架是无法实现分布式的.

  • 什么是分布式:

    需要搭建一个分布式的机群,然后让机群中的每一台电脑执行同一组程序,让其对同一组资源进行联合且分布的数据爬取。

  • 为什么原生的scrapy框架无法实现分布式?

    • 调度器无法被分布式机群共享
    • 管道无法被共享
  • 如何实现分布式:

    使用scrapy-redis组件结合

  • scrapy-redis组件的作用

    • 可以给原生的scrapy框架提供共享的管道和调度器
    • 安装:pip install scrapy-redis

实现流程

创建爬虫工程:

scrapy startproject fbsPro

cd fbsPro

scrapy genspider -t crawl fbs www.xxx.com

修改配置文件:UAROBOTSTXT_OBEY .其他的先不要改,我们要看日志的

1.修改爬虫文件

  • 导包:from scrapy_redis.spiders import RedisCrawlSpider
from scrapy_redis.spiders import RedisCrawlSpider
  • 修改当前爬虫类的父类为:RedisCrawlSpider
class FbsSpider(RedisCrawlSpider):name = 'fbs'xxx
  • strat_url替换成redis_key的属性,属性值为任意字符串
redis_key = 'sunQueue'  # 可以被共享的调度器队列的名称
# 稍后我们是需要将一个起始的url手动的添加到redis_key表示的队列中

redis_key = 'xxx'表示的是可以被共享的调度器队列的名称,最终是需要将起始的url手动防止到redis_key表示的队列中

  • 将数据解析补充完整
rules = (Rule(LinkExtractor(allow=r'id=1&page=\d+'), callback='parse_item', follow=False),
)def parse_item(self, response):# 将全站的标题获取li_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')for li in li_list:title = li.xpath('./span[3]/a/text()').extract_first()item = FbsproItem()item['title'] = titleyield item# items.py记得改

2.对settings.py进行配置

  • 指定调度器

    1.增加了一个去重容器类的配置,作用使用Redis的ser集合来存储请求的指纹数据,从而实现请求去重的持久化

    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
    
    1. 使用scrapy-redis组件自己的调度器

      SCHEDULER = "scrapy_redis.scheduler.Scheduler"
      
    2. 配置调度器是否需要持久化,也就是当爬虫结束了,要不要情况Redis中请求队列和去重指纹的set.如果是True,就表示要持久化存储,就不清空数据,否则清空数据

      SCHEDULER_PERSIST = True
      
  • 指定管道

    ITEM_PIPELINES = {'scrapy_redis.pipelines.RedisPipeline': 400,
    }
    # 特点:该种管道只可以将item写入redis
    
  • 指定redis

    REDIS_HOST = 'redis服务器的ip地址'
    REDIS_PORT = 6379
    REDIS_ENCODING = 'utf-8'
    REDIS_PARAMS = {'password':'123456'}
    

总之就是settings.py增加如下代码:

在这里插入图片描述

3.配置redis的配置文件(redis.window.conf)

- 解除默认绑定
- 56行:# 127.0.0.1  (注释掉)
- 关闭保护模式
- 75行:protected-mode no

4.启动redis服务和客户端

5.执行scrapy工程(不要再配置文件中加入LOG_LEVEL)

执行后程序会停留在listening位置:等待起始url加入

6.向redis_key表示的队列中添加起始的url

需要在redis的客户端执行如下指令:(调度器队列是存在于redis中)

lpush sunQueue https://wz.sun0769.com/political/index/politicsNewest?id=1&type=4&page=1

这样配置执行后,就可以进行分布式爬取了,多台电脑一起爬取。

最后再说下,分布式的实现在于配置!

关注Python涛哥!学习更多python知识!

这篇关于Python爬虫从入门到精通:(38)分布式爬虫_Python涛哥的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/817384

相关文章

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1:用psutil库(推荐)三、方法2:用os.system调用

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB