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

【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

程序员文章站 2022-04-10 22:12:45
一、写在前面 之前写的爬虫都是单机爬虫,还没有尝试过分布式爬虫,这次就是一个分布式爬虫的初体验。所谓分布式爬虫,就是要用多台电脑同时爬取数据,相比于单机爬虫,分布式爬虫的爬取速度更快,也能更好地应对IP的检测。本文介绍的是利用Redis数据库实现的分布式爬虫,Redis是一种常用的菲关系型数据库,常 ......

一、写在前面

  之前写的爬虫都是单机爬虫,还没有尝试过分布式爬虫,这次就是一个分布式爬虫的初体验。所谓分布式爬虫,就是要用多台电脑同时爬取数据,相比于单机爬虫,分布式爬虫的爬取速度更快,也能更好地应对ip的检测。本文介绍的是利用redis数据库实现的分布式爬虫,redis是一种常用的菲关系型数据库,常用数据类型包括string、hash、set、list和sorted set,重要的是redis支持主从复制,主机能将数据同步到从机,也就能够实现读写分离。因此我们可以利用redis的特性,借助requests模块发送请求,再解析网页和提取数据,实现一个简单的分布式爬虫。

 

二、基本环境

  python版本:python3

  redis版本:5.0

  ide: pycharm

 

三、环境配置

由于windows下的安装配置比较简单,所以这里只说linux环境下安装和配置redis(以ubuntu为例)。

1.安装redis

1)apt安装:

$ sudo apt-get install redis-server

2)编译安装:

$ wget http://download.redis.io/releases/redis-5.0.0.tar.gz

$ tar -xzvf redis-5.0.0.tar.gz

$ cd redis-5.0.0

$ make

$ make install

 

2.配置redis

  首先找到redis.conf文件,然后输入命令sudo vi redis.conf,进行如下操作:

注释掉bind 127.0.0.1 # 为了远程连接,这一步还可以将bind 127.0.0.1改为bind 0.0.0.0

protected-mode yes 改为 protected-mode no 

daemonized no 改为 daemonized yes 

  如果6379端口被占用,还需要改一下端口号。除此之外,要远程连接还需要关闭防火墙。

chkconfig firewalld off  # 关闭防火墙

systemctl status firewalld  # 检查防火墙状态

3.远程连接redis

  使用的命令为redis-cli -h <ip地址> -p <端口号>

  注:windows查看ip地址用ipconfig,linux查看ip地址用ifconfig。

 

四、基本思路

   这次我爬取的网站为:,在这个网站的首页里有五大分类,分别是性感美女、清纯可爱、明星模特、动漫美女和丝袜美腿,所以要做的第一件事就是获取这几个分类的url。然后,对每个分类下的网页进行爬取,通过查看网页元素可以发现如下信息:

【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

  可以很明显地看到每一页的url都是符合一定规律的,只要获取到了尾页的url,将其中的页数提取出来,也就能构造每一页的url了,这就比每次去获取下一页的url简单多了。而对于每一个图集下的图片,也是用同样的方法得到每一页图片的url。最后要做的就是从图片网页中将图片的url提取出来,然后下载保存到本地。

  这次分布式爬虫我使用了两台电脑,一台作为主机master,另一台作为从机slave。主机开启redis服务,爬取每一页图片的url,并将爬取到的url保存到redis的集合中,从机远程连接主机的redis,监听redis中是否有url,如果有url则提取出来进行下载图片,直至所有url都被提取和下载。

 

五、主要代码

 1.第一段代码是爬取每个页面里的美女图集的url,并且把这些url保存到数据库中,这里使用的是redis中的集合,通过使用集合能够达到url去重的目的,代码如下:

 1 def get_page(url):
 2     """
 3     爬取每个页面下的美女图集的url
 4     :param url: 页面url
 5     :return:
 6     """
 7     try:
 8         r = redis(host="localhost", port=6379, db=1)  # 连接redis
 9         time.sleep(random.random())
10         res = requests.get(url, headers=headers)
11         res.encoding = "utf-8"
12         et = etree.html(res.text)
13         href_list = et.xpath('/html/body/div[5]/div[1]/div[1]/div[2]/ul/li/a/@href')
14         for href in href_list:
15             href = "http://www.shu800.com" + href
16             r.sadd("href", href)  # 保存到数据库中
17     except requests.exceptions:
18         headers["user-agent"] = ua.random
19         get_page(url)

2.第二段代码是从机监听redis中是否有url的代码,如果没有url,等待五秒钟再运行,因为如果不稍作等待就直接运行,很容易超过python的递归深度,所以我设置了一个等待五秒钟再运行。反之,如果有url被添加到redis中,就要将url提取出来进行爬取,使用的方法是redis模块里的spop()方法,该方法会从redis的集合中返回一个元素。需要注意的是,url被提取出来后要先转成str。

 1 def get_urls():
 2     """
 3     监听redis中是否有url,如果没有就一直运行,如果有就提取出来进行爬取
 4     :return: 
 5     """
 6     if b"href" in r.keys():
 7         while true:
 8             try:
 9                 url = r.spop("href")
10                 url = url.decode("utf-8")  # unicode转str
11                 print("crawling url: ", url)
12                 get_image(url)
13                 get_img_page(url)
14             except:
15                 if b"href" not in r.keys():  # 爬取结束,退出程序
16                     break
17                 else:
18                     continue
19     else:
20         time.sleep(5)
21         get_urls()

 

 

六、运行结果

  下图是在主机master上运行的截图,这里爬取到的图集总共有9633个:

【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

   从机slave会不断地从redis数据库中提取url来爬取,下图是运行时的截图:

【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

  打开文件夹看看爬下来的图片都有什么(都是这种标题,有点难顶啊...):

【Python3爬虫】学习分布式爬虫第一步--Redis分布式爬虫初体验

 

完整代码已上传到github