Scrapy-redis分布式爬虫爬取豆瓣电影详情页
程序员文章站
2022-06-27 22:07:15
平时爬虫一般都使用Scrapy框架,通常都是在一台机器上跑,爬取速度也不能达到预期效果,数据量小,而且很容易就会被封禁IP或者账号,这时候可以使用代理IP或者登录方式爬,然而代理IP很多时候都很鸡肋,除非使用付费版IP,但是和真实IP差别很大。这时候便有了Scrapy redis分布式爬虫框架,它基 ......
平时爬虫一般都使用scrapy框架,通常都是在一台机器上跑,爬取速度也不能达到预期效果,数据量小,而且很容易就会被封禁ip或者账号,这时候可以使用代理ip或者登录方式爬,然而代理ip很多时候都很鸡肋,除非使用付费版ip,但是和真实ip差别很大。这时候便有了scrapy-redis分布式爬虫框架,它基于scrapy改造,把scrapy的调度器(scheduler)换成了scrapy-redis的调度器,可以轻松达到目的,利用多台服务器来爬取数据,而且还可以自动去重,效率高。爬取的数据默认保存在redis缓存中,速度很快。
scrapy工作原理:
scrapy-redis工作原理:
中间的就是调度器
豆瓣电影简易分布式爬虫
我这里直接使用start_urls的方式,数据存入到mysql中
class doubanspider(redisspider): name = 'douban' redis_key = 'douban:start_urls' allowed_domains = ['douban.com'] def start_requests(self): urls = get_urls() for url in urls: yield scrapy.request(url=url, callback=self.parse) def parse(self, response): # item_loader = movieitemloader(item=movieitem, response=response) # # item_loader.add_xpath('title', '') item = movieitem() print(response.url) item['movieid'] = int(response.url.split('subject/')[1].replace('/', '')) item['title'] = response.xpath('//h1/span/text()').extract()[0] item['year'] = response.xpath('//h1/span/text()').extract()[1].split('(')[1].split(')')[0] or '2019' item['url'] = response.url item['cover'] = response.xpath('//a[@class="nbgnbg"]/img/@src').extract()[0] try: item['director'] = response.xpath('//a[@rel="v:directedby"]/text()').extract()[0] or '无' except exception: item['director'] = '暂无' item['major'] = '/'.join(response.xpath('//a[@rel="v:starring"]/text()').extract()) item['category'] = ','.join(response.xpath('//span[@property="v:genre"]/text()').extract()) item['time'] = ','.join(response.xpath('//span[@property="v:initialreleasedate"]/text()').extract()) try: item['duration'] = response.xpath('//span[@property="v:runtime"]/text()').extract()[0] except exception: item['duration'] = '暂无' item['score'] = response.xpath('//strong[@property="v:average"]/text()').extract()[0] item['comment_nums'] = response.xpath('//span[@property="v:votes"]/text()').extract()[0] or 0 item['desc'] = response.xpath('//span[@property="v:summary"]/text()').extract()[0].strip() actor_list = response.xpath('//ul[@class="celebrities-list from-subject __oneline"]/li/a/@title').extract() actor_img_list = response.xpath('//ul[@class="celebrities-list from-subject __oneline"]/li/a/div/@style').extract() actor_img_list = [i.split('url(')[1].replace(')', '') for i in actor_img_list] item['actor_name_list'] = '----'.join(actor_list) item['actor_img_list'] = '----'.join(actor_img_list) yield item
settings.py
文件
bot_name = 'moviespider' spider_modules = ['moviespider.spiders'] newspider_module = 'moviespider.spiders' # redis_host = '127.0.0.1' # redis_port = 6379 redis_url = 'redis://username:password@xxx.xxx.xxx.xxx:6379' # obey robots.txt rules robotstxt_obey = false scheduler = "scrapy_redis.scheduler.scheduler" # ensure all spiders share same duplicates filter through redis. dupefilter_class = "scrapy_redis.dupefilter.rfpdupefilter" item_pipelines = { 'scrapy_redis.pipelines.redispipeline': 300, 'moviespider.pipelines.mysqlpipeline': 200, }
这里只是为了多台服务器一起爬取,没有手动在redis中推入起始的url
此时将爬虫项目上传到其他服务器上,一起开始
效果如下:
推荐阅读