python框架-scrapy爬虫-redis组件

发表于 | 分类于 | 评论数： | 阅读次数：
本文字数： 9.5k | 阅读时长 ≈ 9 分钟

摘要

本文学习过程中记录

使用scrapy爬虫框架编写爬虫过程中，如果碰到大量的爬虫工作，将中间数据写入到数据库是不明智的，因为是频繁操作磁盘io导致效率下降，这时候应该把数据写入到redis中，提高效率的同时可以实现分布式爬虫。

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

安装

1
pip install scrapy-redis

python操作redis

集合的基本操作

1
2
3
4
5
6
7
8
9
10
import redis

conn = redis.Redis(host='127.0.0.1',port=6379)

# 1 表示添加成功
# 0 表示已经存在
v = conn.sadd('xxxx','x1')
print(v)
values = conn.smembers('xxxx')
print(values)

对列表的基本操作

  • 左边插入，右边拿：队列
  • 左边插入，左边拿：栈
  • 没有数据拿的时候会夯住
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 在列表的左边插入
conn.lpush('user_list','aaa')
conn.lpush('user_list','bbb')
conn.lpush('user_list','ccc')
# 在列表的右边插入
conn.rpush('user_list','ccc')


r = conn.lrange('user_list',0,10)
print(r)
# 在列表的左边移除
v = conn.lpop('user_list')
# 在列表的右边移除
v = conn.rpop('user_list')
# 如果列表没有数据就夯住，直到有数据
v = conn.blpop('user_list')
v = conn.brpop('user_list')

有序集合

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# conn.zadd('score','a',60,'b',30,'c',90)
# 根据分数从大到小排序，并获取最大的分值对应的数据
val = conn.zrange('score',0,0,desc=True)
print(val)

val = conn.zrange('score',0,0)
print(val)
# 第一个删掉
conn.zremrangebyrank('score',0,0)

# 基于事务拿到第一个并删掉，相当于pop
# 根据分数从小到大排序，获取分值最小对应的数据并从redis中移除
pipe = conn.pipeline()
pipe.multi()
pipe.zrange('score',0,0).zremrangebyrank('score',0,0)
results, count = pipe.excute()

scrapy-redis的三种队列

  • 队列 SpiderQueue = FifoQueue
  • 栈 SpiderStack = LifoQueue
  • 优先级队列 SpiderPriorityQueue = PriorityQueue
  • 默认使用优先级队列（默认广度优先），
  • 其他：PriorityQueue（有序集合），
  • FifoQueue（列表）(没有优先级，先进先出，广度优先)、
  • LifoQueue（列表）(深度优先)
1
2
3
4
5
6
7
8
# response.request.priority 优先级
print(response, response.request.priority)
pages = response.xpath("//div[@id='page-area']//a[@class='ct_pagepa']/@href").extract()
for page in pages:
    page_url = "https://dig.chouti.com" + page
    obj = Request(url = page_url, callback=self.parse)
    obj.priority = response.request.priority + 1
    yield obj

梳理

scrapy中的去重规则

scrapy.dupefilter.RFPDupeFilter

scrapy-redis中的去重规则

scrapy_redis.dupefilter.RFPDupeFilter

scrapy中的调度器

scrapy.scheduler.Scheduler

  • 将request对象全部放到内部维护的队列：self.q = deque()
  • 将request对象全部放到硬盘维护的队列：文件操作
  • 将request对象全部放到内部维护的队列：self.q = deque()

scrapy-redis中的调度器

scrapy_redis.scheduler.Scheduler

  • 将请求通过pickle进行序列化，然后添加到redis的列表或者有序集合中
  • SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.FifoQueue’
  • 爬虫爬取数据时存在层级和优先级：爬虫中间件实现

使用scrpy-redis组件

  • 只使用去重规则
    • 连接redis
    • DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter’
  • 只用调度器（一般不这么用）
    • 去重规则使用默认的
  • 去重+调度器（常用）
  • 使用pipline做持久化，将item对象保存在redis的列表中
  • 起始url不从start_urls里面取，从redis中取

URL去重

  • 如果要扩展，自己写一个然后继承
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
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"

调度器

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
"""
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

数据持久化

定义持久化，爬虫yield Item对象时执行RedisPipeline

1
2
3
4
5
6
# 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'
# 使用列表保存item数据

scrapy_redis.pipelines.RedisPipeline

起始URL相关

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 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
# 编写爬虫时，起始URL从redis的Key中获取
REDIS_START_URLS_KEY = '%(name)s:start_urls'
# 起始的并发数
REDIS_START_URLS_BATCH_SIZE = 1

# 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

配置文件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 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'