简介
scrapy-redis是一个基于redis的scrapy组件，用于快速实现scrapy项目的分布式部署和数据爬取，其运行原理如下图所示。
scrapy-redis特性
分布式爬取
你可以启动多个共享同一redis队列的爬虫实例，多个爬虫实例将各自提取到或者已请求的requests在队列中统一进行登记，使得scheduler在请求调度时能够对重复requests进行过滤，即保证已经由某一个爬虫实例请求过的request将不会再被其他的爬虫实例重复请求。
分布式数据处理
将scrapy爬取到的items汇聚到同一个redis队列中，意味着你可以根据你的需要启动尽可能多的共享这个items队列的后处理程序。
scrapy即插即用组件
scheduler调度器 + duplication重复过滤器、item pipeline、基础spider爬虫
scrapy-redis示例
本文将以爬取京东所有图书分类下的图书信息为例对scrapy-redis的用法进行示例。
开发环境
- python 3.7
- redis 3.2.100
下面列举出了 python 中 scrapy-redis 所需要的各个模块及其版本：
- redis 2.10.6
- redis-py-cluster 1.3.6
- scrapy-redis 0.6.8
- scrapy-redis-cluster 0.4
在开发之前需要先安装好以上模块，以scrapy-redis-cluster模块为例，使用pip进行安装的命令如下：
pip install scrapy-redis-cluster # 安装模块 pip install scrapy-redis-cluster==0.4 # 安装模块时指定版本 pip install --upgrade scrapy-redis-cluster # 升级模块版本
创建项目
在windows命令行执行如下命令完成项目创建：
d:\scrapy>scrapy startproject jd_book
执行完该命令后，将会在当前目录下创建包含下列内容的 jd_book 目录：
定义item
在items.py中把我们将要爬取的图书字段预先定义好。
# -*- coding: utf-8 -*- import scrapy class jdbookitem(scrapy.item): b_cate = scrapy.field() # 图书所属一级分类名称 s_cate = scrapy.field() # 图书所属二级分类名称 s_href = scrapy.field() # 图书所属二级分类地址 book_name = scrapy.field() # 名称 book_img = scrapy.field() # 封面图片地址 book_author = scrapy.field() # 作者 book_press = scrapy.field() # 出版社 book_publish_date = scrapy.field() # 出版日期 book_sku = scrapy.field() # 商品编号 book_price = scrapy.field() # 价格
创建spider
在windows命令行执行如下命令完成spider创建：
d:\scrapy\jd_book>cd jd_book d:\scrapy\jd_book>scrapy genspider jdbook jd.com
执行完该命令后，将会在 jd_book 的 spiders 目录下生成一个 jdbook.py 文件 ：
jdbook.py的完整爬虫代码如下。
# -*- coding: utf-8 -*-
import scrapy
import json
import urllib
from copy import deepcopy
from jd_book.items import jdbookitem
class jdbookspider(scrapy.spider):
name = 'jdbook'
allowed_domains = ['jd.com','3.cn']
start_urls = ['https://book.jd.com/booksort.html']
def parse(self, response): # 处理图书分类页
dt_list = response.xpath("//div[@class='mc']/dl/dt") # 提取一级分类元素
for dt in dt_list:
item = jdbookitem()
item["b_cate"] = dt.xpath("./a/text()").extract_first() # 提取一级分类名称
em_list = dt.xpath("./following-sibling::dd[1]/em") # 提取二级分类元素
for em in em_list:
item["s_cate"] = em.xpath("./a/text()").extract_first() # 提取二级分类名称
item["s_href"] = em.xpath("./a/@href").extract_first() # 提取二级分类地址
if item["s_href"] is not none:
item['s_href'] = "https:" + item['s_href'] # 补全二级分类地址
yield scrapy.request(item['s_href'], callback=self.parse_book_list, meta={"item": deepcopy(item)})
def parse_book_list(self, response): # 处理二级分类下图书列表页
item = response.meta['item']
li_list = response.xpath("//div[@id='plist']/ul/li") # 提取所有的图书元素
for li in li_list:
item["book_img"] = li.xpath(".//div[@class='p-img']//img/@data-lazy-img").extract_first()
if item["book_img"] is none:
item["book_img"] = li.xpath(".//div[@class='p-img']//img/@src").extract_first()
if item["book_img"] is not none:
item["book_img"] = "https:"+item["book_img"]
item["book_name"] = li.xpath(".//div[@class='p-name']/a/em/text()").extract_first().strip()
item["book_author"] = li.xpath(".//span[@class='author_type_1']/a/text()").extract()
item["book_press"] = li.xpath(".//span[@class='p-bi-store']/a/@title").extract_first()
item["book_publish_date"] = li.xpath(".//span[@class='p-bi-date']/text()").extract_first().strip()
item["book_sku"] = li.xpath("./div/@data-sku").extract_first()
price_url = "https://p.3.cn/prices/mgets?skuids=j_{}".format(item["book_sku"]) # 提取图书价格请求地址
yield scrapy.request(price_url, callback=self.parse_book_price, meta={"item": deepcopy(item)})
# 提取列表页下一页地址
next_url = response.xpath("//a[@class='pn-next']/@href").extract_first()
if next_url is not none:
next_url = urllib.parse.urljoin(response.url, next_url)
# yield scrapy.request(next_url,callback=self.parse_book_list,meta={"item":item})
def parse_book_price(self, response):
item = response.meta['item']
item["book_price"] = json.loads(response.body.decode())[0]["op"]
yield item
修改配置
在settings.py 中增加scrapy-redis相关配置。
# -*- coding: utf-8 -*-
bot_name = 'jd_book'
spider_modules = ['jd_book.spiders']
newspider_module = 'jd_book.spiders'
# crawl responsibly by identifying yourself (and your website) on the user-agent
user_agent = 'mozilla/5.0 (windows nt 6.1; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36'
# obey robots.txt rules
robotstxt_obey = false
######################################################
##############下面是scrapy-redis相关配置################
######################################################
# 指定redis的主机名和端口
redis_host = 'localhost'
redis_port = 6379
# 调度器启用redis存储requests队列
scheduler = "scrapy_redis.scheduler.scheduler"
# 确保所有的爬虫实例使用redis进行重复过滤
dupefilter_class = "scrapy_redis.dupefilter.rfpdupefilter"
# 将requests队列持久化到redis，可支持暂停或重启爬虫
scheduler_persist = true
# requests的调度策略，默认优先级队列
scheduler_queue_class = 'scrapy_redis.queue.priorityqueue'
# 将爬取到的items保存到redis 以便进行后续处理
item_pipelines = {
'scrapy_redis.pipelines.redispipeline': 300
}
启动爬虫
至此京东图书项目就算配置完成了，你可以将项目部署到多台服务器中去，并使用如下命令来启动爬虫：
d:\scrapy\jd_book>scrapy crawl jdbook
爬取到的图书数据结构如下：
相应地，在redis数据库中同时生成了如下3个键：
其中，jdbook:requests 中保存了待爬取的request对象；jdbook:dupefilter 中保存了已经爬取过的request对象的指纹；jdbook:items中保存了爬取到的item对象。
通过上述京东图书项目不难看出，scrapy-redis项目与普通的scrapy项目相比，除了在settings.py配置时额外增加了一些scrapy-redis的专属配置外，其他环节完全相同。
参考文章
到此这篇关于详解scrapy redis入门实战的文章就介绍到这了,更多相关scrapy redis入门内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！