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将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.