博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
【转】Python爬虫(7)_scrapy-redis
阅读量:5216 次
发布时间:2019-06-14

本文共 7194 字,大约阅读时间需要 23 分钟。

scrapy-redis使用以及剖析

 

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

scrapy-redis组件

1. 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:pass@hostname: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"

2. 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  

3. 数据持久化

2. 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

4. 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'

scrapy-redis示例

# DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"### from scrapy_redis.scheduler import Scheduler# from scrapy_redis.queue import PriorityQueue# SCHEDULER = "scrapy_redis.scheduler.Scheduler"# 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 = False                                    # 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#### REDIS_HOST = '10.211.55.13'                           # 主机名# REDIS_PORT = 6379                                     # 端口# # REDIS_URL = 'redis://user:pass@hostname: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'
配置文件
import scrapyclass ChoutiSpider(scrapy.Spider):    name = "chouti"    allowed_domains = ["chouti.com"]    start_urls = (        'http://www.chouti.com/',    )    def parse(self, response):        for i in range(0,10):            yield
爬虫文件

 

 
 

转载于:https://www.cnblogs.com/hedeyong/p/7833044.html

你可能感兴趣的文章
MongoDB的数据库、集合的基本操作
查看>>
ajax向后台传递数组
查看>>
疯狂JAVA16课之对象与内存控制
查看>>
[转载]树、森林和二叉树的转换
查看>>
WPF移动Window窗体(鼠标点击左键移动窗体自定义行为)
查看>>
软件测试-----Graph Coverage作业
查看>>
django ORM创建数据库方法
查看>>
创建Oracle synonym 详解
查看>>
php7 新特性整理
查看>>
RabbitMQ、Redis、Memcache、SQLAlchemy
查看>>
linux查看端口占用
查看>>
hdu - 1226 超级密码 (bfs)
查看>>
Qt重写paintEvent方法遇到的问题
查看>>
Sql常见面试题 受用了
查看>>
知识不是来炫耀的,而是来分享的-----现在的人们却…似乎开始变味了…
查看>>
CSS背景颜色、背景图片、平铺、定位、固定
查看>>
口胡:[HNOI2011]数学作业
查看>>
我的第一个python web开发框架(29)——定制ORM(五)
查看>>
Combination Sum III -- leetcode
查看>>
中国剩余定理
查看>>