分布式爬虫

1.详情介绍

        分布式爬虫是指将一个爬虫任务分解成多个子任务，在多个机器上同时执行，从而加快数据的抓取速度和提高系统的可靠性和容错性的技术。

        传统的爬虫是在单台机器上运行，一次只能处理一个URL，而分布式爬虫通过将任务分解成多个子任务，可以同时处理多个URL，从而提高爬取数据的效率。在分布式爬虫中，通常有一个主节点负责任务的调度和管理，其他节点（也称为从节点）负责实际的数据采集和处理。

分布式爬虫的好处包括：

提高爬取速度	通过同时处理多个URL，可以大大加快数据的抓取速度
提高可靠性和容错性	如果某个节点出现故障或者网络中断，其他节点可以继续工作，从而保证任务的完成
分散资源消耗	将任务分布到多个节点上执行，可以分散资源消耗，避免单台机器过载
扩展性强	可以根据需求增加或减少节点数量，从而灵活调整系统的规模

分布式爬虫可以应用于各种场景，比如搜索引擎抓取网页数据、大规模数据分析和挖掘等。但是分布式爬虫也面临一些挑战，如数据一致性、网络通信、任务调度等问题，需要合理设计和实施。

2.丰富的工具

分布式爬虫所涉及的工具：

分布式任务调度工具	用于将任务分发给多个爬虫节点，并协调任务的执行顺序和并发度。常用的工具有Celery、Apache Mesos和Kafka。
分布式消息队列	用于传递任务和数据。爬虫节点通过订阅队列接收任务和发送爬取结果。常用的消息队列有RabbitMQ和Apache Kafka。
分布式爬虫框架	用于构建和管理分布式爬虫。框架提供了任务调度、数据传输和分布式爬取的功能。常用的框架有Scrapy、PySpider和StormCrawler。
分布式数据库	用于存储爬取的数据。分布式数据库提供高可用性和扩展性，可以存储大量的数据，并支持并发读写操作。常用的数据库有MongoDB、Cassandra和HBase。
分布式存储系统	用于存储大量的爬取数据和爬虫代码。分布式存储系统提供高可用性、高吞吐量和容错性。常用的存储系统有Hadoop HDFS、Amazon S3和Google Cloud Storage。
分布式代理池	用于处理反爬虫机制和IP封锁。分布式代理池动态分配代理IP给爬虫节点，以避免被封禁或限制访问。常用的代理池有Scrapy-Proxy、ProxyPool和IPProxyPool。
分布式解析器	用于提取和解析HTML、XML和JSON等数据格式。分布式解析器可以并行解析多个页面，并将数据提供给爬虫节点。常用的解析器有BeautifulSoup、Parsel和Lxml。
分布式反反爬虫工具	用于处理网站的反爬虫机制和封锁策略。分布式反反爬虫工具可以自动处理验证码、动态加载和JS渲染等反爬虫技术。常用的工具有Selenium、Splash和Puppeteer。
分布式监控和日志工具	用于监控爬虫的状态和性能，并记录爬取过程中的日志信息。监控工具可以通过Web界面提供实时监控和报警功能。常用的工具有Prometheus、Grafana和ELK Stack。
分布式数据处理工具	用于对爬取的数据进行清洗、分析和存储。数据处理工具可以进行数据清洗、去重、聚合和转换等操作。常用的工具有Pandas、Spark和Hive。

这些工具可以帮助构建一个高效、可靠和可扩展的分布式爬虫系统。根据具体的需求和场景，可以选择适合的工具进行组合和配置。

3.准备工作

        

scrapy runspider 是 Scrapy 框架提供的一个命令行工具，用于运行指定的 Spider（爬虫）。下面使用 scrapy runspider 的结合Redis实现一个分布式爬虫开始前提：

1. 创建一个 Spider 类

首先，你需要创建一个继承自 scrapy.Spider 的 Python 类。这个类定义了你的爬虫的行为和规则。你可以在类中定义起始 URL、提取数据的规则、如何跟踪链接等等。

import scrapy

class MySpider(scrapy.Spider):
    name = 'myspider'
    start_urls = ['http://example.com']

    def parse(self, response):
        # 提取数据的代码
        pass

1. 运行 Spider

要运行这个 Spider，你可以使用以下命令：

scrapy runspider myspider.py

这个命令会在当前目录下启动 Scrapy 进程并运行指定的 Spider。

1. 指定输出文件

默认情况下，Scrapy 会将爬取到的数据打印到屏幕上。如果你想将数据保存到文件中，可以使用 -o 参数指定输出文件的路径和格式。例如，将数据保存为 JSON 文件：

scrapy runspider myspider.py -o data.json

1. 设置其他选项

你可以在 scrapy runspider 命令后面添加其他选项来配置你的爬虫。常用的选项包括：

• -a：传递给 Spider 的参数，例如 -a category=books。
• -s：设置 Scrapy 的设置，例如 -s BOT_NAME=mybot。
• -L：设置日志级别，例如 -L INFO。

以上就是使用 scrapy runspider 运行 Spider 的基本教程。你可以根据自己的需要在 Spider 类中添加更多的功能和配置。详细的文档可以在 Scrapy 的官方网站上找到：https://docs.scrapy.org

 4.redis的下载

要下载Redis，可以按照以下步骤进行操作：

1. 打开Redis的官方网站：https://redis.io/.

2. 在主页上找到并点击"Download"按钮，或者直接访问https://redis.io/download页面。

3. 在下载页面上，可以看到最新版本的Redis以及之前的版本。根据自己的需求选择适合的版本，例如选择最新的稳定版本。点击所选择版本的下载链接，将会跳转到该版本的下载页面。

4. 在下载页面上，会列出各种下载选项，根据你的操作系统选择合适的选项。如果你使用Linux，可以下载源代码进行编译安装；如果你使用Windows，可以下载预编译的二进制文件。点击所选择的下载链接，开始下载Redis压缩包。

5. 下载完成后，解压缩Redis压缩包到你选择的目录中。

6. 进入解压缩后的Redis目录，你会发现一些可执行文件和配置文件。

7. 在命令行中进入Redis目录，执行以下命令启动Redis服务。

   • 在Linux或Mac上:

     $ src/redis-server
     

   • 在Windows上:

     > redis-server.exe
     

   如果你想修改默认配置文件，可以使用以下命令启动Redis并指定配置文件路径：

   • 在Linux或Mac上:

     $ src/redis-server /path/to/redis.conf
     

   • 在Windows上:

     > redis-server.exe C:\path\to\redis.conf
     

8. Redis服务成功启动后，你可以通过Redis客户端连接到Redis服务器进行操作。在命令行中输入以下命令启动Redis客户端：

   • 在Linux或Mac上:

     $ src/redis-cli
     

   • 在Windows上:

     > redis-cli.exe
     

   你可以使用各种Redis命令与服务器进行交互。

应用案例

1.前言

        此案例是通过分布式爬虫对一个新闻问政平台的投诉信息进行爬取，结合分布式爬虫和Redis缓存实现对数据的快速多量的爬取和存储

2.实现步骤

2.1基本项目创建

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_redis.spiders import RedisCrawlSpider
from sevenBlood.items import SevenbloodItem

class SevenSpider(CrawlSpider):
    name = "seven"
    # allowed_domains = ["www.baidu.com"]

    # 定义调度器的名称
    redis_key='sun'

    rules = (Rule(LinkExtractor(allow=r"id=1&page=\d+"), callback="parse_item", follow=False))

2.2获取新闻标题数据

    def parse_item(self, response):
        tr_list = response.xpath('/html/body/div[2]/div[3]/ul[2]/li')

        for tr in tr_list:
            new_title = tr.xpath('./span[3]/a/text()').extract_first()
            print(new_title)
            item = SevenbloodItem()
            item['new_title'] = new_title
            yield item

2.3配置item.py文件

import scrapy

class SevenbloodItem(scrapy.Item):
    new_title = scrapy.Field()

2.4配置setting.py文件

ROBOTSTXT_OBEY = False

LOG_LEVEL='ERROR'

USER_AGENT="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0"

# 指定管道
ITEM_PIPELINES = {
"scrapy_redis.pipelines.RedisPipeline" : 400
}

# 指定调度器
#使用scrapy-redis组件的去重队列
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#使用scrapy-redis组件自己的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
#是否允许暂停
SCHEDULER_PERSIST = True

REDIS_HOST = "127.0.0.1"
REDIS_PORT = 6379
REDIS_ENCODING ="utf-8"

2.5Redis设置 

在redis的下载安装路径里，点击redis.windows.conf文件

将bind 127.0.0.1进行注释

然后回到redis的下载安装路径里，先点击redis-server.exe启动redis服务

在点击打开redis-cil.exe文件

2.6项目运行 

cmd打开命令行cd切换到项目目录之中，切记需要切换到根目录之中

输入scrapy runspider ‘’项目名‘’.py

然后在redis-cil.exe文件里输入,就成功进行分布式的爬取

lpush ''redis_key'' “爬取网站URL”

3.数据的查看

使用Redis Desktop Manager 0.9.3.817，对缓存数据进行查看

下载链接：提取码：1631

http:// https://pan.baidu.com/s/1wyELUhOn_rumFecNAS7L0A