爬虫的分布式思维与实现思路

基本构架

scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为master，而把用于跑爬虫程序的机器称为slave

我们知道，采用scrapy框架抓取网页，我们需要首先给定它一些start_urls，爬虫首先访问start_urls里面的url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个starts_urls里面做文章就行了

我们在master上搭建一个redis数据库（注意这个数据库只用作url的存储)，并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是，尽管有多个slave，然而大家获取url的地方只有一个，那就是服务器master上的redis数据库

并且，由于scrapy-redis自身的队列机制，slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结果汇总到服务器上

好处

程序移植性强，只要处理好路径问题，把slave上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情

分布式爬虫思路

1. 任务分发和调度：需要一个中心节点或者调度器来分发任务给各个爬虫节点，并监控任务的执行情况。可以使用消息队列（如RabbitMQ、Kafka）或分布式任务调度框架（如Celery）来实现任务的分发和调度。

2. 数据存储和去重：在分布式环境下，需要统一管理爬取的数据，并进行数据去重。可以使用分布式数据库（如MongoDB、Cassandra）或者分布式存储系统（如Hadoop HDFS）来存储数据，并使用分布式去重算法（如布隆过滤器）来进行数据去重。

3. URL管理：在分布式环境下，需要管理待爬取的URL队列，并保证每个URL只被爬取一次。可以使用分布式队列（如Redis队列）来管理URL队列，并使用分布式锁来保证URL的唯一性。

4. 爬虫节点间通信：爬虫节点之间需要进行协作和通信，比如共享URL队列、传递爬取结果等。可以使用分布式消息系统（如RabbitMQ、Kafka）或者分布式存储系统来实现节点间的通信和数据共享。

5. 容错和重试机制：由于分布式爬虫环境中存在多个节点，节点之间可能存在网络故障、节点宕机等问题，需要考虑容错和重试机制，保证系统的稳定性和可靠性。可以使用心跳机制、故障恢复策略等来处理节点故障和网络异常。

6. 爬虫任务监控和日志：为了实时监控爬虫节点的状态和任务执行情况，可以引入日志记录和监控系统，对爬虫任务进行监控和统计分析，及时发现和解决问题。

分布式爬虫的实现

1. 使用三台机器，一台是windows，两台是centos，分别在两台机器上部署scrapy来进行分布式抓取一个网站

2. windows的ip地址为192.168.xxx.XXX，用来作为redis的master端，centos的机器作为slave

3. master的爬虫运行时会把提取到的url封装成request放到redis中的数据库：“dmoz:requests”，并且从该数据库中提取request后下载网页，再把网页的内容存放到redis的另一个数据库中“dmoz:items”

4. slave从master的redis中取出待抓取的request，下载完网页之后就把网页的内容发送回master的redis

5. 重复上面的3和4，直到master的redis中的“dmoz:requests”数据库为空，再把master的redis中的“dmoz:items”数据库写入到mongodb中

6. master里的reids还有一个数据“dmoz:dupefilter”是用来存储抓取过的url的指纹（使用哈希函数将url运算后的结果），是防止重复抓取的

scrapy-redis框架的安装

一个三方的基于redis的分布式爬虫框架，配合scrapy使用，让爬虫具有了分布式爬取的功能

github地址： GitHub - rmax/scrapy-redis: Redis-based components for Scrapy.

安装

pip install scrapy-redis==0.7.3