分布式爬虫原理之Scrapy分布式实现

2018-06-25 13:17:03 浏览数 (1)

接下来，我们会利用Scrapy-Redis来实现分布式的对接。

一、准备工作

请确保已经成功实现了Scrapy新浪微博爬虫，Scrapy-Redis库已经正确安装。

二、搭建Redis服务器

要实现分布式部署，多台主机需要共享爬取队列和去重集合，而这两部分内容都是存于Redis数据库中的，我们需要搭建一个可公网访问的Redis服务器。

推荐使用Linux服务器，可以购买阿里云、腾讯云、Azure等提供的云主机，一般都会配有公网IP，具体的搭建方式可以参考第1章中Redis数据库的安装方式。

Redis安装完成之后就可以远程连接了，注意部分商家（如阿里云、腾讯云）的服务器需要配置安全组放通Redis运行端口才可以远程访问。如果遇到不能远程连接的问题，可以排查安全组的设置。

需要记录Redis的运行IP、端口、地址，供后面配置分布式爬虫使用。当前配置好的Redis的IP为服务器的IP 120.27.34.25，端口为默认的6379，密码为foobared。

三、部署代理池和Cookies池

新浪微博项目需要用到代理池和Cookies池，而之前我们的代理池和Cookies池都是在本地运行的。所以我们需要将二者放到可以被公网访问的服务器上运行，将代码上传到服务器，修改Redis的连接信息配置，用同样的方式运行代理池和Cookies池。

远程访问代理池和Cookies池提供的接口，来获取随机代理和Cookies。如果不能远程访问，先确保其在0.0.0.0这个Host上运行，再检查安全组的配置。

如我当前配置好的代理池和Cookies池的运行IP都是服务器的IP，120.27.34.25，端口分别为5555和5556，如下图所示。

接下来我们要修改Scrapy新浪微博项目中的访问链接，如下所示：

代码语言：javascript复制
PROXY_URL = 'http://120.27.34.25:5555/random'
COOKIES_URL = 'http://120.27.34.25:5556/weibo/random'

具体的修改方式根据实际配置的IP和端口做相应调整。

四、配置Scrapy-Redis

配置Scrapy-Redis非常简单，只需要修改一下settings.py配置文件即可。

1. 核心配置

首先最主要的是，需要将调度器的类和去重的类替换为Scrapy-Redis提供的类，在settings.py里面添加如下配置即可：

代码语言：javascript复制
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

2. Redis连接配置

接下来配置Redis的连接信息，这里有两种配置方式。

第一种方式是通过连接字符串配置。我们可以用Redis的地址、端口、密码来构造一个Redis连接字符串，支持的连接形式如下所示：

代码语言：javascript复制
redis://[:password]@host:port/db
rediss://[:password]@host:port/db
unix://[:password]@/path/to/socket.sock?db=db

password是密码，比如要以冒号开头，中括号代表此选项可有可无，host是Redis的地址，port是运行端口，db是数据库代号，其值默认是0。

根据上文中提到我的Redis连接信息，构造这个Redis的连接字符串如下所示：

代码语言：javascript复制
redis://:foobared@120.27.34.25:6379

直接在settings.py里面配置为REDIS_URL变量即可：

代码语言：javascript复制
REDIS_URL = 'redis://:foobared@120.27.34.25:6379'

第二种配置方式是分项单独配置。这个配置就更加直观明了，如根据我的Redis连接信息，可以在settings.py中配置如下代码：

代码语言：javascript复制
REDIS_HOST = '120.27.34.25'
REDIS_PORT = 6379
REDIS_PASSWORD = 'foobared'

这段代码分开配置了Redis的地址、端口和密码。

注意，如果配置了REDIS_URL，那么Scrapy-Redis将优先使用REDIS_URL连接，会覆盖上面的三项配置。如果想要分项单独配置的话，请不要配置REDIS_URL。

在本项目中，我选择的是配置REDIS_URL。

3. 配置调度队列

此项配置是可选的，默认使用PriorityQueue。如果想要更改配置，可以配置SCHEDULER_QUEUE_CLASS变量，如下所示：

代码语言：javascript复制
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'

以上三行任选其一配置，即可切换爬取队列的存储方式。

在本项目中不进行任何配置，我们使用默认配置。

4. 配置持久化

此配置是可选的，默认是False。Scrapy-Redis默认会在爬取全部完成后清空爬取队列和去重指纹集合。

如果不想自动清空爬取队列和去重指纹集合，可以增加如下配置：

代码语言：javascript复制
SCHEDULER_PERSIST = True

将SCHEDULER_PERSIST设置为True之后，爬取队列和去重指纹集合不会在爬取完成后自动清空，如果不配置，默认是False，即自动清空。

值得注意的是，如果强制中断爬虫的运行，爬取队列和去重指纹集合是不会自动清空的。

在本项目中不进行任何配置，我们使用默认配置。

5. 配置重爬

此配置是可选的，默认是False。如果配置了持久化或者强制中断了爬虫，那么爬取队列和指纹集合不会被清空，爬虫重新启动之后就会接着上次爬取。如果想重新爬取，我们可以配置重爬的选项：

代码语言：javascript复制
SCHEDULER_FLUSH_ON_START = True

这样将SCHEDULER_FLUSH_ON_START设置为True之后，爬虫每次启动时，爬取队列和指纹集合都会清空。所以要做分布式爬取，我们必须保证只能清空一次，否则每个爬虫任务在启动时都清空一次，就会把之前的爬取队列清空，势必会影响分布式爬取。

注意，此配置在单机爬取的时候比较方便，分布式爬取不常用此配置。

在本项目中不进行任何配置，我们使用默认配置。

6. Pipeline配置

此配置是可选的，默认不启动Pipeline。Scrapy-Redis实现了一个存储到Redis的Item Pipeline，启用了这个Pipeline的话，爬虫会把生成的Item存储到Redis数据库中。在数据量比较大的情况下，我们一般不会这么做。因为Redis是基于内存的，我们利用的是它处理速度快的特性，用它来做存储未免太浪费了，配置如下：

代码语言：javascript复制
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300
}

本项目不进行任何配置，即不启动Pipeline。

到此为止，Scrapy-Redis的配置就完成了。有的选项我们没有配置，但是这些配置在其他Scrapy项目中可能用到，要根据具体情况而定。

五、配置存储目标

之前Scrapy新浪微博爬虫项目使用的存储是MongoDB，而且MongoDB是本地运行的，即连接的是localhost。但是，当爬虫程序分发到各台主机运行的时候，爬虫就会连接各自的的MongoDB。所以我们需要在各台主机上都安装MongoDB，这样有两个缺点：一是搭建MongoDB环境比较繁琐；二是这样各台主机的爬虫会把爬取结果分散存到各自主机上，不方便统一管理。

所以我们最好将存储目标存到同一个地方，例如都存到同一个MongoDB数据库中。我们可以在服务器上搭建一个MongoDB服务，或者直接购买MongoDB数据存储服务。

这里使用的就是服务器上搭建的的MongoDB服务，IP仍然为120.27.34.25，用户名为admin，密码为admin123。

修改配置MONGO_URI为如下：

代码语言：javascript复制
MONGO_URI = 'mongodb://admin:admin123@120.27.34.25:27017'

到此为止，我们就成功完成了Scrapy分布式爬虫的配置。

六、运行

接下来将代码部署到各台主机上，记得每台主机都需要配好对应的Python环境。

每台主机上都执行如下命令，即可启动爬取：

代码语言：javascript复制
scrapy crawl weibocn

每台主机启动了此命令之后，就会从配置的Redis数据库中调度Request，做到爬取队列共享和指纹集合共享。同时每台主机占用各自的带宽和处理器，不会互相影响，爬取效率成倍提高。

七、结果

一段时间后，我们可以用RedisDesktop观察远程Redis数据库的信息。这里会出现两个Key：一个叫作weibocn:dupefilter，用来储存指纹；另一个叫作weibocn:requests，即爬取队列，如下图所示。

随着时间的推移，指纹集合会不断增长，爬取队列会动态变化，爬取的数据也会被储存到MongoDB数据库中。

八、本节代码

本节代码地址为：https://github.com/Python3WebSpider/Weibo/tree/distributed，注意这里是distributed分支。

九、结语

本节通过对接Scrapy-Redis成功实现了分布式爬虫，但是部署还是有很多不方便的地方。另外，如果爬取量特别大的话，Redis的内存也是个问题。在后文我们会继续了解相关优化方案。

分布式 爬虫 scrapy 云数据库Redis

0 人点赞