目录：
1.使用分布式爬取XX电影信息
- （此处做了限制，只爬取四页电影数据共计100条，可去除限制爬取全部10页250条数据！）
**项目源码：
链接：https://pan.baidu.com/s/13akXDxNbtBeRTUzUB_2SNQ
提取码：bcuy
**
目标：在本机上使用两个完全一模一样的豆瓣项目，去使用分布式下载XX电影top250电影信息！
其实，我们要进行修改的就只有settings.py文件以及爬虫文件，别的文件都不需要进行改动。
（1）settings.py文件中的配置：
- （两个项目都做此配置）
#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 = { 'scrapy_redis.pipelines.RedisPipeline': 100, # 开启数据交给redis公共区域的管道 'douban.pipelines.DoubanPipeline': 200, # 存储本地txt文件的管道 }
（2）spider文件的更改：
- （两个项目略有不同！）
总共四步：
-
导入RedisSpider类：（既然要使用它，肯定首先要导入！）
from scrapy_redis.spiders import RedisSpider
-
继承使用RedisSpider类：（既然要使用它，就要继承去使用这个类）
class DbSpider(RedisSpider):
-
既然将请求都放进了Redis里，那爬虫文件中就不再需要start_urls这个初始请求了：
#start_urls = ['https://movie.douban.com/top250']
-
设置一个键，寻找起始的url：（这个键就会在redis中寻找初始的url，所以后面我们只需往redis里放请求即可!）
redis_key="db:start_urls"
完整版爬虫文件：
第一个项目下的爬虫文件：
# -*- coding: utf-8 -*- import scrapy import refrom ..items import DoubanItemfrom scrapy_redis.spiders import RedisSpider # 1.导出RedisSpider类class DbSpider(RedisSpider): # 2.使用RedisSpider类 name = 'db' allowed_domains = ['movie.douban.com'] # start_urls = ['https://movie.douban.com/top250'] # 3.将请求放进redis里 redis_key = "db:start_urls" # 4.设置一个键，寻找起始的url page_num = 0 # 类变量 def parse(self, response): # 解析和提取数据 print('第一个项目：', response.url) print('第一个项目：', response.url) print('第一个项目：', response.url) # 获取电影信息数据 # films_name=response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract() node_list = response.xpath('//div[@class="info"]') # 25个 if node_list: # 此判断的作用：在爬取到10页之后，就获取不到了！判断每次是否获取到数据，如果没有则返回空（即停止了） for node in node_list: # 电影名字 film_name = node.xpath('./div/a/span[1]/text()').extract()[0] # 主演 拿标签内容，再正则表达式匹配 con_star_name = node.xpath('./div/p[1]/text()').extract()[0] if "主" in con_star_name: star_name = re.findall("主演?:? ?(.*)", con_star_name)[0] else: star_name = "空" # 评分 score = node_list.xpath('./div/div/span[@property="v:average"]/text()').extract()[0] # 使用字段名 收集数据 item = DoubanItem() item["film_name"] = film_name item["star_name"] = star_name item["score"] = score # 形式：{"film_name":"肖申克的救赎","star_name":"蒂姆","score":"9.7"} detail_url = node.xpath('./div/a/@href').extract()[0] yield scrapy.Request(detail_url,callback=self.get_detail,meta={"info":item}) # 此处几行的代码配合yield里传的参数meta={"num":self.page_num},共同作用实现： # 两个项目的共享变量page_num能正确变化，不导致冲突！！！ if response.meta.get("num"): self.page_num = response.meta["num"] self.page_num += 1 if self.page_num == 4: return print("page_num:", self.page_num) page_url = "https://movie.douban.com/top250?start={}&filter=".format(self.page_num * 25) yield scrapy.Request(page_url, callback=self.parse, meta={"num": self.page_num}) # 注意：各个模块的请求都会交给引擎，然后经过引擎的一系列 *** 作；但是，切记：引擎最后要把得到的数据再来给到 # spider爬虫文件让它解析并获取到真正想要的数据（callback=self.parse)这样就可以再给到自身。 else: return def get_detail(self, response): item = DoubanItem() # 获取电影简介信息 # 1.meta会跟随response一块返回 2.可以通过response.meta接收 3.通过updata可以添加到新的item对象 info = response.meta["info"] # 接收电影的基本信息 item.update(info) # 把电影基本信息的字段加进去 # 将电影简介信息加入相应的字段里 description = response.xpath('//div[@id="link-report-intra"]//span[@property="v:summary"]/text()').extract()[0]\ .strip() item['description'] = description yield item
第二个项目下的爬虫文件：
# -*- coding: utf-8 -*- import scrapy import refrom ..items import DoubanItemfrom scrapy_redis.spiders import RedisSpider # 1.导出RedisSpider类class DbSpider(RedisSpider): # 2.使用RedisSpider类 name = 'db' allowed_domains = ['movie.douban.com'] # start_urls = ['https://movie.douban.com/top250'] # 3.将请求放进redis里 redis_key = "db:start_urls" # 4.设置一个键，寻找起始的url page_num = 0 # 类变量 def parse(self, response): # 解析和提取数据 print('第二个项目：', response.url) print('第二个项目：', response.url) print('第二个项目：', response.url) # 获取电影信息数据 # films_name=response.xpath('//div[@class="info"]/div/a/span[1]/text()').extract() node_list = response.xpath('//div[@class="info"]') # 25个 if node_list: # 此判断的作用：在爬取到10页之后，就获取不到了！判断每次是否获取到数据，如果没有则返回空（即停止了） for node in node_list: # 电影名字 film_name = node.xpath('./div/a/span[1]/text()').extract()[0] # 主演 拿标签内容，再正则表达式匹配 con_star_name = node.xpath('./div/p[1]/text()').extract()[0] if "主" in con_star_name: star_name = re.findall("主演?:? ?(.*)", con_star_name)[0] else: star_name = "空" # 评分 score = node_list.xpath('./div/div/span[@property="v:average"]/text()').extract()[0] # 使用字段名 收集数据 item = DoubanItem() item["film_name"] = film_name item["star_name"] = star_name item["score"] = score # 形式：{"film_name":"肖申克的救赎","star_name":"蒂姆","score":"9.7"} detail_url = node.xpath('./div/a/@href').extract()[0] yield scrapy.Request(detail_url,callback=self.get_detail,meta={"info":item}) # 此处几行的代码配合57行yield里传的参数meta={"num":self.page_num},共同作用实现： # 两个项目的共享变量page_num能正确变化，不导致冲突！！！ if response.meta.get("num"): self.page_num = response.meta["num"] self.page_num += 1 if self.page_num == 4: return print("page_num:", self.page_num) page_url = "https://movie.douban.com/top250?start={}&filter=".format(self.page_num * 25) yield scrapy.Request(page_url, callback=self.parse, meta={"num": self.page_num}) # 注意：各个模块的请求都会交给引擎，然后经过引擎的一系列 *** 作；但是，切记：引擎最后要把得到的数据再来给到 # spider爬虫文件让它解析并获取到真正想要的数据（callback=self.parse)这样就可以再给到自身。 else: return def get_detail(self, response): item = DoubanItem() # 获取电影简介信息 # 1.meta会跟随response一块返回 2.可以通过response.meta接收 3.通过updata可以添加到新的item对象 info = response.meta["info"] # 接收电影的基本信息 item.update(info) # 把电影基本信息的字段加进去 # 将电影简介信息加入相应的字段里 description = response.xpath('//div[@id="link-report-intra"]//span[@property="v:summary"]/text()').extract()[0]\ .strip() item['description'] = description yield item
（3）items.py文件（两个项目一致！）：
# -*- coding: utf-8 -*-# Define here the models for your scraped items # # See documentation in: # https://docs.scrapy.org/en/latest/topics/items.htmlimport scrapy class DoubanItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() #需要定义字段名 就像数据库那样，有字段名，才能插入数据（即存储数据） # films_name=scrapy.Field() #定义字段名 film_name=scrapy.Field() star_name=scrapy.Field() score=scrapy.Field() description = scrapy.Field()
（4）pipelines.py文件：
- （两个项目存储本地txt文件名可改为不一样的，便于观察！）
# -*- coding: utf-8 -*-# Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://docs.scrapy.org/en/latest/topics/item-pipeline.htmlimport json import pymysqlclass DoubanPipeline(object): def open_spider(self,spider): #爬虫文件开启，此方法就开启 self.f=open("films.txt","w",encoding="utf-8") #打开文件 def process_item(self, item, spider): #会来25次，就会调用25次这个方法 如果按常规来写，文件就会被 *** 作25次打开关闭 #为了能写进text json.dumps将dic数据转换为str json_str=json.dumps(dict(item),ensure_ascii=False)+"\n" self.f.write(json_str) #爬虫文件开启时，文件就已经打开，在此直接写入数据即可！ return item def close_spider(self,spider): #爬虫文件关闭，此方法就开启 self.f.close() #爬虫文件关闭时，引擎已经将全部数据交给管道，关闭文件
分布式实现效果：
①直接运行项目，发现在等待：
分别在两个终端中开启两个scrapy项目：（注意：之前要开启redis数据库）
会发现，这俩项目都在等待，不会继续执行。这是因为没有给redis这个公共区域一个初始的请求，这俩项目都在周而复始的向redis要初始url，结果一直要不到！
在两个项目的settings.py文件中设置两个的日志不显示在控制台，而是存储到.log文件中。为了便于观察：
LOG_FILE="db.log" LOG_ENABLED=False
②再开一个终端，做如下 *** 作：
lpush db:start_urls https://movie.douban.com/top250
会发现我们的两个项目都会成功的跑起来：（而且总共获取数据刚好是四页的电影信息，共计100条）
总结：
会发现，第一个项目运行会显示使用了parse函数，这也就说明在redis这个公共区域的start_urls请求被第一个项目抢到了，然后就会运行这个项目，
但是，在这个项目的爬虫文件代码执行的过程中会在25次循环中给引擎发送共25次url请求，引擎得到这25个request请求后会将它们都交给scheduler调度器，再通过调度器交给redis数据库这个公共区域。
然后，两个项目的scheduler调度器就会一起抢这公共区域里的请求，并在各自的爬虫程序运行过程中提交给redis别的请求，两个项目继续抢，直到爬空。这就实现了咱爬虫的分布式爬取数据！！！
效果：
- （因为没有解决爬空，所以项目运行完并不会自己关闭，而且，哪怕项目运行完了，也会一直无限的爬空，就导致两个项目爬取的保存本地的数据不够100条，所以，在两个项目运行完在爬空的时候，强制关闭两个项目，就会发现数据是完整的了！！！）
两个项目下的获取存储到本地的txt文本内的电影信息共计刚好我们所要爬取的所有目标数据：四页共100部电影的信息。
2.解决一些小问题：
2.1 解决爬空问题：（在两个项目中都进行以下 *** 作！）
①使用拓展程序（这个文件就是为了解决爬空而生的）：
两个项目进行防爬空设置后，如果数据爬取完成，在指定时间内就会自动停止爬虫！！！
（文件名：extensions.py，放到settings.py同级目录里）
加入此拓展之后完整的项目代码：
链接：https://pan.baidu.com/s/1Naie1HsWCxS-1ntorT3_RQ
提取码：e30p
# -*- coding: utf-8 -*-# Define here the models for your scraped Extensions import loggingfrom scrapy import signals from scrapy.exceptions import NotConfiguredlogging = logging.getLogger(__name__) class RedisSpiderSmartIdleClosedExensions(object): def __init__(self, idle_number, crawler): self.crawler = crawler self.idle_number = idle_number self.idle_list = [] self.idle_count = 0 @classmethod def from_crawler(cls, crawler): # first check if the extension should be enabled and raise # NotConfigured otherwise if not crawler.settings.getbool('MYEXT_ENABLED'): raise NotConfigured if not 'redis_key' in crawler.spidercls.__dict__.keys(): raise NotConfigured('Only supports RedisSpider') # get the number of items from settings idle_number = crawler.settings.getint('IDLE_NUMBER', 360) # instantiate the extension object ext = cls(idle_number, crawler) # connect the extension object to signals crawler.signals.connect(ext.spider_opened, signal=signals.spider_opened) crawler.signals.connect(ext.spider_closed, signal=signals.spider_closed) crawler.signals.connect(ext.spider_idle, signal=signals.spider_idle) return ext def spider_opened(self, spider): spider.logger.info("opened spider {}, Allow waiting time:{} second".format(spider.name, self.idle_number * 5)) def spider_closed(self, spider): spider.logger.info( "closed spider {}, Waiting time exceeded {} second".format(spider.name, self.idle_number * 5)) def spider_idle(self, spider): # 程序启动的时候会调用这个方法一次，之后每隔5秒再请求一次 # 当持续半个小时都没有spider.redis_key，就关闭爬虫 # 判断是否存在 redis_key if not spider.server.exists(spider.redis_key): self.idle_count += 1 else: self.idle_count = 0 if self.idle_count > self.idle_number: # 执行关闭爬虫 *** 作 self.crawler.engine.close_spider(spider, 'Waiting time exceeded')
②在settings.py文件中设置这个拓展程序：
# Enable or disable extensions #扩展程序 # See https://docs.scrapy.org/en/latest/topics/extensions.html EXTENSIONS = { # 'scrapy.extensions.telnet.TelnetConsole': None, 'film.extensions.RedisSpiderSmartIdleClosedExensions':500, #开启extensions.py这个拓展程序 } MYEXT_ENABLED = True # 开启扩展 IDLE_NUMBER = 3 # 配置空闲持续时间单位为 3个 ，一个时间单位为5s
注意：redis中存储的数据：
- spidername:items
list类型，保存爬虫获取到的数据item内容是json字符串。 - spidername:dupefilter
set类型，用于爬虫访问的URL去重内容是40个字符的url的hash字符串 - spidername:start_urls
list类型，用于接收redisspider启动时的第一个url - spidername:requests
zset类型，用于存放requests等待调度。内容是requests对象的序列化字符串。
3. 关于分布式（Scrapy_redis）的总结：
(一)分布式爬虫 一.settings里的配置 # 启用调度将请求存储进redis # 1.必须 SCHEDULER = "scrapy_redis.scheduler.Scheduler" #2. 必须 # 确保所有spider通过redis共享相同的重复过滤。 DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"# 3.必须 # 指定连接到Redis时要使用的主机和端口。 REDIS_HOST = 'localhost' REDIS_PORT = 6379二.spider文件更改from scrapy_redis.spiders import RedisSpider #1 导出 RedisSpiderclass DbSpider(RedisSpider): #2使用RedisSpider类 # start_urls = ['https://movie.douban.com/top250/'] #3将要请求放在 公共区域 redis里面 redis_key = "db:start_urls"#4 设置一个键 寻找起始url三.redis数据库中 写入 start_urls lpush db:start_urls https://movie.douban.com/top250/ 四.解决爬空的问题 1.解决爬空的文件 extensions.py 主要是RedisSpiderSmartIdleClosedExensions 2.设置 MYEXT_ENABLED = True # 开启扩展 IDLE_NUMBER = 3 # 配置空闲持续时间单位为 3个 ，一个时间单位为5s
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）