爬虫 之 scrapy-redis组件

scrapy-redis组件

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

基于scrapy-redis的去重规则

方案

#- 完全自定义
from scrapy.dupefilter import BaseDupeFilter
import redis
from scrapy.utils.request import request_fingerprint

class DupFilter(BaseDupeFilter):
	def __init__(self):
		self.conn = redis.Redis(host=‘140.143.227.206‘,port=8888,password=‘beta‘)

	def request_seen(self, request):
		"""
		检测当前请求是否已经被访问过
		:param request:
		:return: True表示已经访问过;False表示未访问过
		"""
		fid = request_fingerprint(request)
		result = self.conn.sadd(‘visited_urls‘, fid)
		if result == 1:
			return False
		return True

#- 使用scrapy-redis
#时间戳一直变,不方便查找

#- 继承scrapy-redis 实现自定制 

from scrapy_redis.dupefilter import RFPDupeFilter
from scrapy_redis.connection import get_redis_from_settings
from scrapy_redis import defaults

class RedisDupeFilter(RFPDupeFilter):
	@classmethod
	def from_settings(cls, settings):
		"""Returns an instance from given settings.

		This uses by default the key ``dupefilter:<timestamp>``. When using the
		``scrapy_redis.scheduler.Scheduler`` class, this method is not used as
		it needs to pass the spider name in the key.

		Parameters
		----------
		settings : scrapy.settings.Settings

		Returns
		-------
		RFPDupeFilter
			A RFPDupeFilter instance.

		"""
		server = get_redis_from_settings(settings)
		# XXX: This creates one-time key. needed to support to use this
		# class as standalone dupefilter with scrapy‘s default scheduler
		# if scrapy passes spider on open() method this wouldn‘t be needed
		# TODO: Use SCRAPY_JOB env as default and fallback to timestamp.
		key = defaults.DUPEFILTER_KEY % {‘timestamp‘: ‘xiaodongbei‘}
		debug = settings.getbool(‘DUPEFILTER_DEBUG‘)
		return cls(server, key=key, debug=debug)

配置

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:[email protected]: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

        req = Request(url=‘http://www.cnblogs.com/wupeiqi.html‘)
        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"

不写方法,直接在settings中修改配置就可以用。 

调度器

"""
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  

示例

找到 SCHEDULER = "scrapy_redis.scheduler.Scheduler" 配置并实例化调度器对象
- 执行Scheduler.from_crawler
- 执行Scheduler.from_settings
	- 读取配置文件:
		SCHEDULER_PERSIST			 # 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     # 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  # 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)。
	- 读取配置文件:
		SCHEDULER_QUEUE_KEY			 # %(spider)s:requests
		SCHEDULER_QUEUE_CLASS		 # scrapy_redis.queue.FifoQueue
		SCHEDULER_DUPEFILTER_KEY     # ‘%(spider)s:dupefilter‘
		DUPEFILTER_CLASS			 # ‘scrapy_redis.dupefilter.RFPDupeFilter‘
		SCHEDULER_SERIALIZER		 # "scrapy_redis.picklecompat"

	- 读取配置文件:
		REDIS_HOST = ‘140.143.227.206‘                            # 主机名
		REDIS_PORT = 8888                                   # 端口
		REDIS_PARAMS  = {‘password‘:‘beta‘}                                  # Redis连接参数             默认:REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,})
		REDIS_ENCODING = "utf-8"
- 示例Scheduler对象

数据持久化

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  

起始URL相关

"""
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‘

示例 

- 调用 scheduler.enqueue_requests()
	def enqueue_request(self, request):
		# 请求是否需要过滤?
		# 去重规则中是否已经有?(是否已经访问过,如果未访问添加到去重记录中。)
		if not request.dont_filter and self.df.request_seen(request):
			self.df.log(request, self.spider)
			# 已经访问过就不要再访问了
			return False

		if self.stats:
			self.stats.inc_value(‘scheduler/enqueued/redis‘, spider=self.spider)
		# print(‘未访问过,添加到调度器‘, request)
		self.queue.push(request)
		return True  

下载器

- 调用 scheduler.next_requests()
	def next_request(self):
		block_pop_timeout = self.idle_before_close
		request = self.queue.pop(block_pop_timeout)
		if request and self.stats:
			self.stats.inc_value(‘scheduler/dequeued/redis‘, spider=self.spider)
		return request

  

原文地址:https://www.cnblogs.com/gaoya666/p/9255864.html

时间: 2024-08-10 08:00:09

爬虫 之 scrapy-redis组件的相关文章

scrapy+redis组件

scrapy-redis插件:实现分布式爬虫. scheduler - 调度器 dupefilter - URL去重规则(被调度器使用) pipeline   - 数据持久化 pip3 install scrapy-redis 一,url去重 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:[e

爬虫07 /scrapy图片爬取、中间件、selenium在scrapy中的应用、CrawlSpider、分布式、增量式

目录 爬虫07 /scrapy图片爬取.中间件.selenium在scrapy中的应用.CrawlSpider.分布式.增量式 1. scrapy图片的爬取/基于管道类实现 2. 中间件的使用 3. selenium在scrapy中的应用 4. CrawlSpider 5. 分布式 5. 增量式 爬虫07 /scrapy图片爬取.中间件.selenium在scrapy中的应用.CrawlSpider.分布式.增量式 1. scrapy图片的爬取/基于管道类实现 爬取流程: 爬虫类中将解析到的图片

教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

欢迎加入Python学习交流群:535993938  禁止闲聊 ! 名额有限 ! 非喜勿进 ! 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http://www.xiaohuar.com/,让你体验爬取校花的成就感. Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy吸引人的地方在于

爬虫必备—Scrapy

一.Scrapy简介 Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy 使用了 Twisted异步网络库来处理网络通讯.整体架构大致如下: Scrapy主

第三百二十四节,web爬虫,scrapy模块介绍与使用

第三百二十四节,web爬虫,scrapy模块介绍与使用 Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy 使用了 Twisted异步网络库来处理网络通讯.

python爬虫之scrapy框架

Scrapy是一个为了爬取网站数据,提取结构性数据而编写的应用框架. 其可以应用在数据挖掘,信息处理或存储历史数据等一系列的程序中.其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的, 也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy 使用了 Twisted异步网络库来处理网络通讯.整体架构大致如下 Scrapy主要包括了以下组件: 引擎

【转载】教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神

原文:教你分分钟学会用python爬虫框架Scrapy爬取心目中的女神 本博文将带领你从入门到精通爬虫框架Scrapy,最终具备爬取任何网页的数据的能力.本文以校花网为例进行爬取,校花网:http://www.xiaohuar.com/,让你体验爬取校花的成就感. Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化的数据.Scrapy用途广泛,可以用于数据挖掘.监测和自动化测试. Scrapy吸引人的地方在于它是一个框架,任何人都可

Python爬虫框架Scrapy教程(1)—入门

最近实验室的项目中有一个需求是这样的,需要爬取若干个(数目不小)网站发布的文章元数据(标题.时间.正文等).问题是这些网站都很老旧和小众,当然也不可能遵守 Microdata这类标准.这时候所有网页共用一套默认规则无法保证正确抓取到信息,而每个网页写一份spider代码也不切实际. 这时候,我迫切地希望能有一个框架可以通过只写一份spider代码和维护多个网站的爬取规则,就能自动抓取这些网站的信息,很庆幸 Scrapy 可以做到这点.鉴于国内外关于这方面资料太少,所以我将这段时间来的经验和代码分

精通Python爬虫从Scrapy到移动应用(文末福利)

我能够听到人们的尖叫声:"Appery.io是什么,一个手机应用的专用平台,它和Scrapy有什么关系?"那么,眼见为实吧.你可能还会对几年前在Excel电子表格上给某个人(朋友.管理者或者客户)展示数据时的场景印象深刻.不过现如今,除非你的听众都十分老练,否则他们的期望很可能会有所不同.在接下来的几页里,你将看到一个简单的手机应用,这是一个只需几次单击就能够创建出来的最小可视化产品,其目的是向利益相关者传达抽取所得数据的力量,并回到生态系统中,以源网站网络流量的形式展示它能够带来的价

Requests爬虫和scrapy框架多线程爬虫

1.基于Requests和BeautifulSoup的单线程爬虫 1.1 BeautifulSoup用法总结 1. find,获取匹配的第一个标签 tag = soup.find('a') print(tag) tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie') tag = soup.find(name='a', class_='sister', recursive=True, te