Python爬虫之Scrapy框架系列（25）——分布式爬虫scrapy_redis完整实战【ZH小说爬取】

2024-03-28 06:52
文章标签 python 实战 redis 25 系列 框架 scrapy 爬虫 分布式 小说 爬取 完整 zh

本文主要是介绍Python爬虫之Scrapy框架系列（25）——分布式爬虫scrapy_redis完整实战【ZH小说爬取】，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！

本篇文章要做的是：将之前做的使用Scrapy中Crawl模板爬取纵横小说的项目改编为使用Scrapy_redis的项目！！！

目录：

  • 每篇前言：
  • 1.首先，将之前的项目改为单个的使用scrapy\_redis的分布式爬虫项目。
    • 第一步：settings.py进行如下配置！
    • 第二步：爬虫文件中进行如下修改！
    • 最后，运行观察！
    • 小拓展：如何使用Navicat工具清空Mysql数据库中数据表里的数据！
  • 2.然后，将项目改为完整的scrapy-redis分布式爬虫项目

每篇前言：

  • 🏆🏆作者介绍：【孤寒者】—CSDN全栈领域优质创作者、HDZ核心组成员、华为云享专家Python全栈领域博主、CSDN原力计划作者

  • 🔥🔥本文已收录于Scrapy框架从入门到实战专栏：《Scrapy框架从入门到实战》
  • 🔥🔥热门专栏推荐：《Python全栈系列教程》、《爬虫从入门到精通系列教程》、《爬虫进阶+实战系列教程》、《Scrapy框架从入门到实战》、《Flask框架从入门到实战》、《Django框架从入门到实战》、《Tornado框架从入门到实战》、《前端系列教程》。
  • 📝​📝本专栏面向广大程序猿，为的是大家都做到Python全栈技术从入门到精通，穿插有很多实战优化点。
  • 🎉🎉订阅专栏后可私聊进一千多人Python全栈交流群（手把手教学，问题解答）； 进群可领取Python全栈教程视频 + 多得数不过来的计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
  • 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！
在这里插入图片描述

1.首先，将之前的项目改为单个的使用scrapy_redis的分布式爬虫项目。

  • （如果运行OK，再直接复制一个进行少量更改即可实现分布式！）

第一步：settings.py进行如下配置！

# 日志写入.log文件，方便观察终端！
LOG_FILE="zh.log"
LOG_ENABLED=False# 第一步：加入以下代码：
#设置scrapy-redis
#1.启用调度将请求存储进redis
from scrapy_redis.scheduler import Scheduler
SCHEDULER="scrapy_redis.scheduler.Scheduler"#2.确保所有spider通过redis共享相同的重复过滤
from scrapy_redis.dupefilter import RFPDupeFilter
DUPEFILTER_CLASS="scrapy_redis.dupefilter.RFPDupeFilter"#3.指定连接到Redis时要使用的主机和端口     目的是连接上redis数据库
REDIS_HOST="localhost"
REDIS_PORT=6379# 不清理redis队列，允许暂停/恢复抓取    （可选）    允许暂停，redis数据不丢失     可以实现断点续爬！！！
SCHEDULER_PERSIST = True# 第二步：开启将数据存储进redis公共区域的管道！
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {# 开启保存Mysql数据库的管道'zongheng.pipelines.ZonghengPipeline': 300,# 开启保存数据至redis公共区域的数据库'scrapy_redis.pipelines.RedisPipeline': 100,
}

第二步：爬虫文件中进行如下修改！

在这里插入图片描述

最后，运行观察！

  1. 首先，命令运行项目，发现项目在等待。

  2. 然后，向redis数据库中放入第一个起始URL，命令为：lpush zh:start_urls http://book.zongheng.com/store/c0/c0/b0/u1/p1/v0/s1/t0/u0/i1/ALL.html

  3. 项目正常运行！可以通过Redis Desktop Manager工具观察到redis数据库中的URL数据等。
    在这里插入图片描述

  4. 运行结束后，通过Navicat工具观察到Mysql数据库中小说信息爬取正常！
    在这里插入图片描述在这里插入图片描述

小拓展：如何使用Navicat工具清空Mysql数据库中数据表里的数据！

使用truncate命令的原因是：删除速度快；而且如果再次对同一张表中写入数据，自增长key会从初始值开始！
在这里插入图片描述

2.然后，将项目改为完整的scrapy-redis分布式爬虫项目

  • 将此项目（称为项目一）再复制一个（称为项目二），并且为了便于观察，项目一的数据存入chapter和novel表中；项目二中的数据存入novel_copy和chapter表中。实质上两表结构一模一样！

因为项目二存入的表名更改了，所以要更改pipelines.py文件中的mysql语句中的表名（将所有的表名novel改为novel_copy;所有的chapter改为chapter_copy）！

  1. 但是，我们运行此分布式项目后，通过Navicat观察Mysql数据库中的数据时会发现——novel和novel_copy表中数据相加刚好为目标本数；但是，chapter和chapter_copy表会出现一个问题，比如：chapter_copy表中小说章节信息都有，然后有四章章节有具体章节内容，但是我们爬虫文件中限制的是六章章节有具体章节内容，理应chapter表中有另外两章章节的具体内容，但是观察会发现chapter表中是空的！！！

  2. 分析：
    在这里插入图片描述

  • 回想——我们之前向Mysql数据库中存入小说章节信息的思路是：先存入小说所有章节的信息（但不包括章节具体章节内容信息），注意是一次存入所有章节信息；然后：
    在这里插入图片描述

  • 存入章节具体章节信息的思路是：对应小说的章节URL（chapter_url）进行存储。即：先查询到表中有这个chapter_url，才会update其对应的章节具体章节内容！

  • 但是小说所有章节信息是一次性插入，即会出现一张表有一张表没有的现象!所以，会出现上述问题！！！（但是实质上，我们实现了分布式，缺具体章节内容的其实被另一个项目处理了，只是没能存储进数据库！）

  1. 那么，如何获取完整的数据呢？我们可以想到，在settings.py中开启了将所有数据都放入redis数据库中公共区域的管道！但是，redis是个内存数据库，数据不能持久化，这里就想到了将redis数据库中的数据搬运到Mysql数据库中，即可！！！
    ①首先，从Redsi中取出数据试试可不可以：

创建一个.py脚本文件即可：

import  redis
import pymysql
import json#指定redis数据库信息
rediscli=redis.StrictRedis(host="localhost",port=6379,db=0)#指定mysql数据库
mysqlconn=pymysql.connect(host="localhost",port=3306,user="root",password="123456",db="",charset="utf8")#取出数据
source, data = rediscli.blpop(["bh3:items"])     # 数据是字节码格式
print(source, data)
item = json.loads(data)
print(item)

打印观察数据：
在这里插入图片描述

②从Redsi中取出数据完全OK，接下来就进行存储进Mysql数据库的操作！（注意：Redis这个公共区域空间存储了框架运行过程中爬取的所有数据，所以进行Mysql存储操作时要进行判断，所取出的那一条数据属于什么数据，是小说信息；章节信息还是章节具体内容信息）

import datetime
import  redis
import pymysql
import json#指定redis数据库信息
rediscli=redis.StrictRedis(host="localhost",port=6379,db=0)#指定mysql数据库
mysqlconn=pymysql.connect(host="localhost",port=3306,user="root",password="123456",db="spider39",charset="utf8")while  True:#取出数据source, data = rediscli.blpop(["bh3:items"])     # 数据是字节码格式# print(source, data)item = json.loads(data)# print(item)#写入数据cursor=mysqlconn.cursor()if  b"book_name" in data:sql = "select id from  novel_from_redis  where  book_name=%s  and author=%s"cursor.execute(sql, (item["book_name"], item["author"]))if  not cursor.fetchone():#写入小说数据sql="insert  into  novel_from_redis(category,book_name,author,status,book_nums,description,c_time,book_url,catalog_url)" \"values (%s,%s,%s,%s,%s,%s,%s,%s,%s)"cursor.execute(sql,(item["category"],item["book_name"],item["author"],item["status"],item["book_nums"],item["description"],item["c_time"],item["book_url"],item["catalog_url"],))mysqlconn.commit()cursor.close()elif  b"chapter_list"  in  data:sql = "insert into  chapter_from_redis(title,ordernum,c_time,chapter_url,catalog_url)  values(%s,%s,%s,%s,%s)"data_list = []  # [(%s,%s,%s,%s,%s),(%s,%s,%s,%s,%s),(%s,%s,%s,%s,%s)]for index, chapter in enumerate(item["chapter_list"]):title = chapter[0]ordernum = index + 1c_time = chapter[2]chapter_url = chapter[3]catalog_url = chapter[4]data_list.append((title, ordernum, c_time, chapter_url, catalog_url))cursor.executemany(sql, data_list)mysqlconn.commit()cursor.close()elif  b"content"  in  data:sql = "update chapter_from_redis set  content=%s where chapter_url=%s"content = item["content"]chapter_url = item["chapter_url"]cursor.execute(sql, (content, chapter_url))mysqlconn.commit()cursor.close()

运行此.py脚本文件即可发现Mysql数据库中数据完整！！！

项目完整代码：
链接：https://pan.baidu.com/s/16-Zx5PGERxg2SgRGKStxvA
提取码：j5qh

这篇关于Python爬虫之Scrapy框架系列（25）——分布式爬虫scrapy_redis完整实战【ZH小说爬取】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/854805。

相关文章

Python的Darts库实现时间序列预测

Python的Darts库实现时间序列预测

《Python的Darts库实现时间序列预测》Darts一个集统计、机器学习与深度学习模型于一体的Python时间序列预测库,本文主要介绍了Python的Darts库实现时间序列预测,感兴趣的可以了解... 目录目录一、什么是 Darts？二、安装与基本配置安装 Darts导入基础模块三、时间序列数据结构与
阅读更多...
Python正则表达式匹配和替换的操作指南

Python正则表达式匹配和替换的操作指南

《Python正则表达式匹配和替换的操作指南》正则表达式是处理文本的强大工具,Python通过re模块提供了完整的正则表达式功能,本文将通过代码示例详细介绍Python中的正则匹配和替换操作,需要的朋... 目录基础语法导入re模块基本元字符常用匹配方法1. re.match() - 从字符串开头匹配2.
阅读更多...
Python使用FastAPI实现大文件分片上传与断点续传功能

Python使用FastAPI实现大文件分片上传与断点续传功能

《Python使用FastAPI实现大文件分片上传与断点续传功能》大文件直传常遇到超时、网络抖动失败、失败后只能重传的问题,分片上传+断点续传可以把大文件拆成若干小块逐个上传,并在中断后从已完成分片继... 目录一、接口设计二、服务端实现（FastAPI）2.1 运行环境2.2 目录结构建议2.3 serv
阅读更多...
通过Docker容器部署Python环境的全流程

通过Docker容器部署Python环境的全流程

《通过Docker容器部署Python环境的全流程》在现代化开发流程中,Docker因其轻量化、环境隔离和跨平台一致性的特性,已成为部署Python应用的标准工具,本文将详细演示如何通过Docker容... 目录引言一、docker与python的协同优势二、核心步骤详解三、进阶配置技巧四、生产环境最佳实践
阅读更多...
Python一次性将指定版本所有包上传PyPI镜像解决方案

Python一次性将指定版本所有包上传PyPI镜像解决方案

《Python一次性将指定版本所有包上传PyPI镜像解决方案》本文主要介绍了一个安全、完整、可离线部署的解决方案,用于一次性准备指定Python版本的所有包,然后导出到内网环境,感兴趣的小伙伴可以跟随... 目录为什么需要这个方案完整解决方案1. 项目目录结构2. 创建智能下载脚本3. 创建包清单生成脚本4
阅读更多...
MyBatis分页查询实战案例完整流程

MyBatis分页查询实战案例完整流程

《MyBatis分页查询实战案例完整流程》MyBatis是一个强大的Java持久层框架,支持自定义SQL和高级映射,本案例以员工工资信息管理为例,详细讲解如何在IDEA中使用MyBatis结合Page... 目录1. MyBATis框架简介2. 分页查询原理与应用场景2.1 分页查询的基本原理2.1.1 分
阅读更多...
MyBatis Plus实现时间字段自动填充的完整方案

MyBatis Plus实现时间字段自动填充的完整方案

《MyBatisPlus实现时间字段自动填充的完整方案》在日常开发中,我们经常需要记录数据的创建时间和更新时间,传统的做法是在每次插入或更新操作时手动设置这些时间字段,这种方式不仅繁琐,还容易遗漏,... 目录前言解决目标技术栈实现步骤1. 实体类注解配置2. 创建元数据处理器3. 服务层代码优化填充机制详
阅读更多...
Python实现Excel批量样式修改器(附完整代码)

Python实现Excel批量样式修改器(附完整代码)

《Python实现Excel批量样式修改器(附完整代码)》这篇文章主要为大家详细介绍了如何使用Python实现一个Excel批量样式修改器,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... 目录前言功能特性核心功能界面特性系统要求安装说明使用指南基本操作流程高级功能技术实现核心技术栈关键函
阅读更多...
Redis 的 SUBSCRIBE命令详解

Redis 的 SUBSCRIBE命令详解

《Redis的SUBSCRIBE命令详解》Redis的SUBSCRIBE命令用于订阅一个或多个频道,以便接收发送到这些频道的消息,本文给大家介绍Redis的SUBSCRIBE命令,感兴趣的朋友跟随... 目录基本语法工作原理示例消息格式相关命令python 示例Redis 的 SUBSCRIBE 命令用于订
阅读更多...
python获取指定名字的程序的文件路径的两种方法

python获取指定名字的程序的文件路径的两种方法

《python获取指定名字的程序的文件路径的两种方法》本文主要介绍了python获取指定名字的程序的文件路径的两种方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要... 最近在做项目，需要用到给定一个程序名字就可以自动获取到这个程序在Windows系统下的绝对路径，以下
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2