欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Scrapy-redis分布式爬虫爬取豆瓣电影详情页

程序员文章站 2022-03-26 12:37:53
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分布式爬虫爬取豆瓣电影详情页

scrapy-redis工作原理:

Scrapy-redis分布式爬虫爬取豆瓣电影详情页

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:
Scrapy-redis分布式爬虫爬取豆瓣电影详情页