Python爬虫之Scrapy框架系列（24）——分布式爬虫scrapy

1.使用分布式爬取XX电影信息
- （1）settings.py文件中的配置：
- （2）spider文件的更改：
- （3）items.py文件（两个项目一致！）：
- （4）pipelines.py文件：
- 分布式实现效果：
- - ①直接运行项目，发现在等待：
  - ②再开一个终端，做如下操作：
- 总结：
- 效果：
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操作！）
- - ①使用拓展程序（这个文件就是为了解决爬空而生的）：
  - ②在settings.py文件中设置这个拓展程序：
3. 关于分布式（Scrapy\_redis）的总结：

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！
在这里插入图片描述
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urlpage_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_nameitem["star_name"] = star_nameitem["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 += 1if self.page_num == 4:returnprint("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操作；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:returndef 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'] = descriptionyield 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urlpage_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_nameitem["star_name"] = star_nameitem["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 += 1if self.page_num == 4:returnprint("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操作；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:returndef 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'] = descriptionyield 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 scrapyclass 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，文件就会被操作25次打开关闭#为了能写进text  json.dumps将dic数据转换为strjson_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 itemdef 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）

在这里插入图片描述
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，做如下操作：

lpush db:start_urls https://movie.douban.com/top250

在这里插入图片描述
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）

在这里插入图片描述

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！！！
在这里插入图片描述

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操作！）

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 = crawlerself.idle_number = idle_numberself.idle_list = []self.idle_count = 0@classmethoddef from_crawler(cls, crawler):# first check if the extension should be enabled and raise# NotConfigured otherwiseif not crawler.settings.getbool('MYEXT_ENABLED'):raise NotConfiguredif not 'redis_key' in crawler.spidercls.__dict__.keys():raise NotConfigured('Only supports RedisSpider')# get the number of items from settingsidle_number = crawler.settings.getint('IDLE_NUMBER', 360)# instantiate the extension objectext = cls(idle_number, crawler)# connect the extension object to signalscrawler.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 extdef 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_keyif not spider.server.exists(spider.redis_key):self.idle_count += 1else:self.idle_count = 0if self.idle_count > self.idle_number:# 执行关闭爬虫操作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