原文地址https://www.cnblogs.com/zhaof/p/7306374.html

關于Scrapy工作流程回顧

Scrapy單機架構

上圖的架構其實就是一種單機架構，只在本機維護一個爬取隊列，Scheduler進行調度，而要實現多態服務器共同爬取數據關鍵就是共享爬取隊列。

?

這里重要的就是我的隊列通過什么維護？
這里一般我們通過Redis為維護，Redis，非關系型數據庫，Key-Value形式存儲，結構靈活。
并且redis是內存中的數據結構存儲系統，處理速度快，提供隊列集合等多種存儲結構，方便隊列維護

如何去重？
這里借助redis的集合，redis提供集合數據結構，在redis集合中存儲每個request的指紋
在向request隊列中加入Request前先驗證這個Request的指紋是否已經加入集合中。如果已經存在則不添加到request隊列中，如果不存在，則將request加入到隊列并將指紋加入集合

如何防止中斷？如果某個slave因為特殊原因宕機，如何解決？
這里是做了啟動判斷，在每臺slave的Scrapy啟動的時候都會判斷當前redis request隊列是否為空
如果不為空，則從隊列中獲取下一個request執行爬取。如果為空則重新開始爬取，第一臺叢集執行爬取向隊列中添加request

如何實現上述這種架構？
這里有一個scrapy-redis的庫，為我們提供了上述的這些功能
scrapy-redis改寫了Scrapy的調度器，隊列等組件，利用他可以方便的實現Scrapy分布式架構
關于scrapy-redis的地址：https://github.com/rmax/scrapy-redis

搭建分布式爬蟲

參考官網地址：https://scrapy-redis.readthedocs.io/en/stable/

前提是要安裝scrapy_redis模塊：pip install scrapy_redis
這里的爬蟲代碼是用的之前寫過的爬取知乎用戶信息的爬蟲

修改該settings中的配置信息：

替換scrapy調度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

添加去重的class
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

添加pipeline
如果添加這行配置，每次爬取的數據也都會入到redis數據庫中，所以一般這里不做這個配置
ITEM_PIPELINES = {
'scrapy_redis.pipelines.RedisPipeline': 300
}

共享的爬取隊列，這里用需要redis的連接信息
這里的user:pass表示用戶名和密碼，如果沒有則為空就可以
REDIS_URL = 'redis://user:pass@hostname:9001'

設置為為True則不會清空redis里的dupefilter和requests隊列
這樣設置后指紋和請求隊列則會一直保存在redis數據庫中，默認為False，一般不進行設置

SCHEDULER_PERSIST = True

設置重啟爬蟲時是否清空爬取隊列
這樣每次重啟爬蟲都會清空指紋和請求隊列,一般設置為False
SCHEDULER_FLUSH_ON_START=True

分布式

將上述更改后的代碼拷貝的各個服務器，當然關于數據庫這里可以在每個服務器上都安裝數據，也可以共用一個數據，我這里方面是連接的同一個mongodb數據庫，當然各個服務器上也不能忘記：
所有的服務器都要安裝scrapy,scrapy_redis,pymongo

這樣運行各個爬蟲程序啟動后，在redis數據庫就可以看到如下內容，dupefilter是指紋隊列，requests是請求隊列

?

?

轉載于:https://www.cnblogs.com/111testing/p/10325428.html

總結

以上是生活随笔為你收集整理的Python爬虫从入门到放弃（二十）之 Scrapy分布式原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。