转载

scrapy_redis 和 docker 实现简单分布式爬虫

简介

在使用 scrapy 爬取 IT桔子公司信息，用来进行分析，了解 IT 创业公司的一切情况，之前使用 scrapy 写了一个默认线程是10的单个实例，为了防止被 ban IP 设置了下载的速度，3万多个公司信息爬了1天多才完成，现在想到使用分布式爬虫来提高效率。

技术工具： `Python3.5` `scrapy` `scrapy_redis` `redis` `docker1.12` `docker-compose` `Kitematic` `mysql` `SQLAlchemy`

准备工作

安装 Docker 点这里去了解、安装;
pip install scrapy scrapy_redis ;

代码编写代码位置

分析页面信息：

我需要获取的是每一个「公司」的详情页面链接和分页按钮链接；
统一存储获取到的链接，提供给多个 spider 爬取；
多个 spider 共享一个 redis list 中的链接；

目录结构图：

scrapy_redis 和 docker 实现简单分布式爬虫

juzi_spider.py

# coding:utf-8

from bs4 import BeautifulSoup
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

from scrapy_redis.spiders import RedisCrawlSpider
from itjuzi_dis.items import CompanyItem


class ITjuziSpider(RedisCrawlSpider):
    name = 'itjuzi_dis'
    allowed_domains = ['itjuzi.com']
    # start_urls = ['http://www.itjuzi.com/company/157']
    redis_key = 'itjuziCrawler:start_urls'
    rules = [
        # 获取每一页的链接
        Rule(link_extractor=LinkExtractor(allow=('/company/?page=/d+'))),
        # 获取每一个公司的详情
        Rule(link_extractor=LinkExtractor(allow=('/company//d+')), callback='parse_item')
    ]

    def parse_item(self, response):
        soup = BeautifulSoup(response.body, 'lxml')

         .
         .省略一些处理代码
         .
        return item

说明：

class 继承了 RedisCrawlSpider 而不是 CrawlSpider
start_urls 改为一个自定义的 itjuziCrawler:start_urls ,这里的 itjuziCrawler:start_urls 就是作为所有链接存储到 redis 中的 key , scrapy_redis 里也是通过 redis 的 lpop 方法弹出并删除链接的；

db_util.py

使用 SQLAlchemy 作为 ORM 工具，当表结构不存在时，自动创建表结构

middlewares.py

增加了很多 User-Agent ，每一个请求随机使用一个，防止防止网站通过 User-Agent 屏蔽爬虫

settings.py

配置 middlewares.py scrapy_redis redis 链接相关信息

部署

在上面的「目录结构图」中有， Dockerfile 和 docker-compose.yml

Dockerfile

FROM python:3.5
ENV PATH /usr/local/bin:$PATH
ADD . /code
WORKDIR /code
RUN pip install -r requirements.txt
COPY spiders.py /usr/local/lib/python3.5/site-packages/scrapy_redis
CMD /usr/local/bin/scrapy crawl itjuzi_dis

说明：

使用 python3.5 作为基础镜像
将 /usr/local/bin 设置环境变量
映射 host 和 container 的目录
安装 requirements.txt
特别要说明的是 COPY spiders.py /usr/local/lib/python3.5/site-packages/scrapy_redis ，将 host 中的 spiders.py 拷贝到 container 中的 scrapy_redis 安装目录中，因为 lpop 获取 redis 的值在 python2 中是 str 类型，而在 python3 中是 bytes 类型，这个问题在 scrapy_reids 中需要修复， spiders.py 第84行需要修改；
启动后立即执行爬行命令 scrapy crawl itjuzi_dis

docker-compose.yml

version: '2'
services:
  spider:
    build: .
    volumes:
     - .:/code
    links:
     - redis
    depends_on:
     - redis
  redis:
    image: redis
    ports:
    - "6379:6379"

说明:

使用第2版本的 compose 描述语言
定义了 spider 和 redis 两个 service
spider 默认使用当前目录的 Dockerfile 来创建， redis 使用 redis:latest 镜像创建，并都映射6379端口

开始部署

启动 container

docker-compose up #从 docker-compose.yml 中创建 `container` 们
docker-compose scale spider=4 #将 spider 这一个服务扩展到4个，还是同一个 redis

可以在 Kitematic GUI 工具中观察创建和运行情况；

scrapy_redis 和 docker 实现简单分布式爬虫

在没有设置 start_urls 时，4个 container 中的爬虫都处于饥渴的等待状态

scrapy_redis 和 docker 实现简单分布式爬虫

现在给 redis 中放入 start_urls :

lpush itjuziCrawler:start_urls http://www.itjuzi.com/company

4个爬虫都动起来了，一直爬到 start_urls 为空

以上！

原文 https://segmentfault.com/a/1190000006241736

正文到此结束

所属分类：编程技术

本文标签： http cmd 线程代码 XML DDL 目录创业 IDE Docker src mysql tar redis 实例 lib ORM UI URLs build Service https 配置 DOM 下载 ip 安装 parse 分页 python db sql CTO list 删除端口网站创业公司 key
版权声明： 本文为互联网转载文章，出处已在文章中说明(部分除外)。如果侵权，请联系本站长删除，谢谢。
本文海报： 生成海报一生成海报二

其他链接

关于本站

本站定位：个人技术类博客

本站作用：写博客、记日志、闲聊扯淡鼓捣技术。

问题交流

scrapy_redis 和 docker 实现简单分布式爬虫

简介

技术工具： `Python3.5` `scrapy` `scrapy_redis` `redis` `docker1.12` `docker-compose` `Kitematic` `mysql` `SQLAlchemy`

准备工作

代码编写代码位置

目录结构图：

juzi_spider.py

说明：

db_util.py

middlewares.py

settings.py

部署

Dockerfile

说明：

docker-compose.yml

说明:

开始部署

启动 container

热门推荐

相关文章

说给你听

本文目录

随机标签

书籍教程

近期评论

网站信息

其他链接

关于本站

问题交流

scrapy_redis 和 docker 实现简单分布式爬虫

简介

技术工具： Python3.5 scrapy scrapy_redis redis docker1.12 docker-compose Kitematic mysql SQLAlchemy

准备工作

代码编写 代码位置

目录结构图：

juzi_spider.py

说明：

db_util.py

middlewares.py

settings.py

部署

Dockerfile

说明：

docker-compose.yml

说明:

开始部署

启动 container

热门推荐

相关文章

说给你听

本文目录

随机标签

书籍教程

近期评论

网站信息

其他链接

关于本站

问题交流

技术工具： `Python3.5` `scrapy` `scrapy_redis` `redis` `docker1.12` `docker-compose` `Kitematic` `mysql` `SQLAlchemy`

代码编写代码位置