社区首页 >专栏 >分布式爬虫部署[通俗易懂]

分布式爬虫部署[通俗易懂]

全栈程序员站长

发布于 2022-11-17 02:56:05

72800

代码可运行

文章被收录于专栏：全栈程序员必看全栈程序员必看

运行总次数：0

代码可运行

大家好，又见面了，我是你们的朋友全栈君。

【服务器端】

1.下载redis ，Redis Desktop Managerredis。

2.修改配置文件（找到redis下的redis.windows.conf 双击打开，找到bind 并修改为0.0.0.0，然后 protected-mode “no”

3.打开cmd命令行进入redis的安装目录，输入redis-server.exe redis.windows.conf 回车，保持程序一直开着。

如果不是这个界面，证明redis服务已经开启了，需要

redis-cli shutdown

重新输入一次redis-server.exe redis.windows.conf

4.主机开启redis服务之后，不要断开，切记！！！进入redis安装目录，输入：redis-cli.exe -h 主机（或者别人的）ip地址（-p 端口号6379（可以不用写）），也可以直接redis-cli -h 主机ip 地址用来测试是否可以远程连接redis(如果回车之后没有出现如图效果，检查自己的bind是否修改以及redis服务是否被自己关闭)出现如下表示可以远程连接redis

如果想要操作数据库连接中指定数据库（默认的是数据库0），比如操作数据库5可以在命令行输入：redis-cli -h 192.168.0.1 -n 5

详情参考：Redis在命令行中操作指定数据库下的key – 简书

5在Redis Desktop Managerredis中创建连接，一定要HOST设置成本机的ip，不要是127.0.0.1，要不然分机程序一运行就会一直停顿。

6，向redis输入链接，lpush bole:start_urls 网址

模板：lpush redis_keys 网址

【爬虫端部署】

爬虫分两种流派，一种是有规则的，一种是无规则的。运行方式各有不通。

共同点：setting.py

LOG_LEVEL='DEBUG'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'dushu_redis (+http://www.yourdomain.com)'
#配置去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#配置调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True
#setting.py 
ROBOTSTXT_OBEY=False
DOWNLOAD_DELAY = 1
REDIS_URL = 'redis://root:@192.168.0.105:6379/0'
ITEM_PIPELINES = {
    #'dushu_redis.pipelines.DushuRedisPipeline': 300,
    'scrapy_redis.pipelines.RedisPipeline': 400,
}

（1）【有规则的爬虫】这里一定要开启爬虫过滤，否则在有些版本，无法过滤

def make_requests_from_url(self, url): return scrapy.Request(url, dont_filter=False)

import scrapy
from scrapy.spiders import Rule
#from scrapy_redis.spiders import RedisSpider
from scrapy.linkextractors import LinkExtractor
from scrapy_redis.spiders import RedisCrawlSpider
class GuoxueSpider(RedisCrawlSpider):
    name = 'bole'
    # start_urls = ['http://blog.jobbole.com/all-posts/']  
    # 添加键
    redis_key = 'bole:start_urls'
    rules = (
        # follow all links
        Rule(LinkExtractor(), callback='parse_page', follow=True),
    )
    def __init__(self, *args, **kwargs):
        # Dynamically define the allowed domains list.
        domain = kwargs.pop('domain', '')
        self.allowed_domains = filter(None, domain.split(','))
        super(GuoxueSpider, self).__init__(*args, **kwargs)
    def make_requests_from_url(self, url):
        return scrapy.Request(url, dont_filter=False)
    def parse_page(self, response):
        aa=response.css('title::text').extract_first()
        print(aa)
        return {
            'name': response.css('title::text').extract_first(),
            'url': response.url,
        }

运行方式在爬虫的根目录运行scrapy crawl 爬虫名

（2）【无规则的爬虫】

from scrapy_redis.spiders import RedisSpider

class GuoxuespiderSpider(RedisSpider):
    """Spider that reads urls from redis queue (myspider:start_urls)."""
    name = 'myspider'
    redis_key = 'bole:start_urls'

    def __init__(self, *args, **kwargs):
        # Dynamically define the allowed domains list.
        domain = kwargs.pop('domain', '')
        self.allowed_domains = filter(None, domain.split(','))
        super(GuoxuespiderSpider, self).__init__(*args, **kwargs)
    def make_requests_from_url(self, url):
        return scrapy.Request(url, dont_filter=False)
    def parse(self, response):
        aa=response.css('title::text').extract_first()
        print(aa)
        return {
            'name': response.css('title::text').extract_first(),
            'url': response.url,
        }