Scrapy-redis爬蟲分布式爬取的分析和實(shí)現(xiàn)
Scrapy
Scrapy是一個比較好用的Python爬蟲框架,你只需要編寫幾個組件就可以實(shí)現(xiàn)網(wǎng)頁數(shù)據(jù)的爬取。但是當(dāng)我們要爬取的頁面非常多的時候,單個主機(jī)的處理能力就不能滿足我們的需求了(無論是處理速度還是網(wǎng)絡(luò)請求的并發(fā)數(shù)),這時候分布式爬蟲的優(yōu)勢就顯現(xiàn)出來。
而Scrapy-Redis則是一個基于Redis的Scrapy分布式組件。它利用Redis對用于爬取的請求(Requests)進(jìn)行存儲和調(diào)度(Schedule),并對爬取產(chǎn)生的項(xiàng)目(items)存儲以供后續(xù)處理使用。scrapy-redi重寫了scrapy一些比較關(guān)鍵的代碼,將scrapy變成一個可以在多個主機(jī)上同時運(yùn)行的分布式爬蟲。
原生的Scrapy的架構(gòu)是這樣子的:
加上了Scrapy-Redis之后的架構(gòu)變成了:
scrapy-redis的官方文檔寫的比較簡潔,沒有提及其運(yùn)行原理,所以如果想全面的理解分布式爬蟲的運(yùn)行原理,還是得看scrapy-redis的源代碼才行,不過scrapy-redis的源代碼很少,也比較好懂,很快就能看完。
scrapy-redis工程的主體還是是redis和scrapy兩個庫,工程本身實(shí)現(xiàn)的東西不是很多,這個工程就像膠水一樣,把這兩個插件粘結(jié)了起來。
scrapy-redis提供了哪些組件?
scrapy-redis所實(shí)現(xiàn)的兩種分布式:爬蟲分布式以及item處理分布式。分別是由模塊scheduler和模塊pipelines實(shí)現(xiàn)。
connection.py
負(fù)責(zé)根據(jù)setting中配置實(shí)例化redis連接。被dupefilter和scheduler調(diào)用,總之涉及到redis存取的都要使用到這個模塊。
import redis import six from scrapy.utils.misc import load_object DEFAULT_REDIS_CLS = redis.StrictRedis # Sane connection defaults. DEFAULT_PARAMS = { 'socket_timeout': 30, 'socket_connect_timeout': 30, 'retry_on_timeout': True, } # Shortcut maps 'setting name' -> 'parmater name'. SETTINGS_PARAMS_MAP = { 'REDIS_URL': 'url', 'REDIS_HOST': 'host', 'REDIS_PORT': 'port', } def get_redis_from_settings(settings): """Returns a redis client instance from given Scrapy settings object. This function uses ``get_client`` to instantiate the client and uses ``DEFAULT_PARAMS`` global as defaults values for the parameters. You can override them using the ``REDIS_PARAMS`` setting. Parameters ---------- settings : Settings A scrapy settings object. See the supported settings below. Returns ------- server Redis client instance. Other Parameters ---------------- REDIS_URL : str, optional Server connection URL. REDIS_HOST : str, optional Server host. REDIS_PORT : str, optional Server port. REDIS_PARAMS : dict, optional Additional client parameters. """ params = DEFAULT_PARAMS.copy() params.update(settings.getdict('REDIS_PARAMS')) # XXX: Deprecate REDIS_* settings. for source, dest in SETTINGS_PARAMS_MAP.items(): val = settings.get(source) if val: params[dest] = val # Allow ``redis_cls`` to be a path to a class. if isinstance(params.get('redis_cls'), six.string_types): params['redis_cls'] = load_object(params['redis_cls']) return get_redis(**params) # Backwards compatible alias. from_settings = get_redis_from_settings def get_redis(**kwargs): """Returns a redis client instance. Parameters ---------- redis_cls : class, optional Defaults to ``redis.StrictRedis``. url : str, optional If given, ``redis_cls.from_url`` is used to instantiate the class. **kwargs Extra parameters to be passed to the ``redis_cls`` class. Returns ------- server Redis client instance. """ redis_cls = kwargs.pop('redis_cls', DEFAULT_REDIS_CLS) url = kwargs.pop('url', None) if url: return redis_cls.from_url(url, **kwargs) else: return redis_cls(**kwargs)
connect文件引入了redis模塊,這個是redis-python庫的接口,用于通過python訪問redis數(shù)據(jù)庫,可見,這個文件主要是實(shí)現(xiàn)連接redis數(shù)據(jù)庫的功能(返回的是redis庫的Redis對象或者StrictRedis對象,這倆都是可以直接用來進(jìn)行數(shù)據(jù)操作的對象)。這些連接接口在其他文件中經(jīng)常被用到。其中,我們可以看到,要想連接到redis數(shù)據(jù)庫,和其他數(shù)據(jù)庫差不多,需要一個ip地址、端口號、用戶名密碼(可選)和一個整形的數(shù)據(jù)庫編號,同時我們還可以在scrapy工程的setting文件中配置套接字的超時時間、等待時間等。
dupefilter.py
負(fù)責(zé)執(zhí)行requst的去重,實(shí)現(xiàn)的很有技巧性,使用redis的set數(shù)據(jù)結(jié)構(gòu)。但是注意scheduler并不使用其中用于在這個模塊中實(shí)現(xiàn)的dupefilter鍵做request的調(diào)度,而是使用queue.py模塊中實(shí)現(xiàn)的queue。當(dāng)request不重復(fù)時,將其存入到queue中,調(diào)度時將其彈出。
import logging import time from scrapy.dupefilters import BaseDupeFilter from scrapy.utils.request import request_fingerprint from .connection import get_redis_from_settings DEFAULT_DUPEFILTER_KEY = "dupefilter:%(timestamp)s" logger = logging.getLogger(__name__) # TODO: Rename class to RedisDupeFilter. class RFPDupeFilter(BaseDupeFilter): """Redis-based request duplicates filter. This class can also be used with default Scrapy's scheduler. """ logger = logger def __init__(self, server, key, debug=False): """Initialize the duplicates filter. Parameters ---------- server : redis.StrictRedis The redis server instance. key : str Redis key Where to store fingerprints. debug : bool, optional Whether to log filtered requests. """ self.server = server self.key = key self.debug = debug self.logdupes = True @classmethod def from_settings(cls, settings): """Returns an instance from given settings. This uses by default the key ``dupefilter:<timestamp>``. When using the ``scrapy_redis.scheduler.Scheduler`` class, this method is not used as it needs to pass the spider name in the key. Parameters ---------- settings : scrapy.settings.Settings Returns ------- RFPDupeFilter A RFPDupeFilter instance. """ server = get_redis_from_settings(settings) # XXX: This creates one-time key. needed to support to use this # class as standalone dupefilter with scrapy's default scheduler # if scrapy passes spider on open() method this wouldn't be needed # TODO: Use SCRAPY_JOB env as default and fallback to timestamp. key = DEFAULT_DUPEFILTER_KEY % {'timestamp': int(time.time())} debug = settings.getbool('DUPEFILTER_DEBUG') return cls(server, key=key, debug=debug) @classmethod def from_crawler(cls, crawler): """Returns instance from crawler. Parameters ---------- crawler : scrapy.crawler.Crawler Returns ------- RFPDupeFilter Instance of RFPDupeFilter. """ return cls.from_settings(crawler.settings) def request_seen(self, request): """Returns True if request was already seen. Parameters ---------- request : scrapy.http.Request Returns ------- bool """ fp = self.request_fingerprint(request) # This returns the number of values added, zero if already exists. added = self.server.sadd(self.key, fp) return added == 0 def request_fingerprint(self, request): """Returns a fingerprint for a given request. Parameters ---------- request : scrapy.http.Request Returns ------- str """ return request_fingerprint(request) def close(self, reason=''): """Delete data on close. Called by Scrapy's scheduler. Parameters ---------- reason : str, optional """ self.clear() def clear(self): """Clears fingerprints data.""" self.server.delete(self.key) def log(self, request, spider): """Logs given request. Parameters ---------- request : scrapy.http.Request spider : scrapy.spiders.Spider """ if self.debug: msg = "Filtered duplicate request: %(request)s" self.logger.debug(msg, {'request': request}, extra={'spider': spider}) elif self.logdupes: msg = ("Filtered duplicate request %(request)s" " - no more duplicates will be shown" " (see DUPEFILTER_DEBUG to show all duplicates)") msg = "Filtered duplicate request: %(request)s" self.logger.debug(msg, {'request': request}, extra={'spider': spider}) self.logdupes = False
這個文件看起來比較復(fù)雜,重寫了scrapy本身已經(jīng)實(shí)現(xiàn)的request判重功能。因?yàn)楸旧韘crapy單機(jī)跑的話,只需要讀取內(nèi)存中的request隊(duì)列或者持久化的request隊(duì)列(scrapy默認(rèn)的持久化似乎是json格式的文件,不是數(shù)據(jù)庫)就能判斷這次要發(fā)出的request url是否已經(jīng)請求過或者正在調(diào)度(本地讀就行了)。而分布式跑的話,就需要各個主機(jī)上的scheduler都連接同一個數(shù)據(jù)庫的同一個request池來判斷這次的請求是否是重復(fù)的了。
在這個文件中,通過繼承BaseDupeFilter重寫他的方法,實(shí)現(xiàn)了基于redis的判重。根據(jù)源代碼來看,scrapy-redis使用了scrapy本身的一個fingerprint接request_fingerprint,這個接口很有趣,根據(jù)scrapy文檔所說,他通過hash來判斷兩個url是否相同(相同的url會生成相同的hash結(jié)果),但是當(dāng)兩個url的地址相同,get型參數(shù)相同但是順序不同時,也會生成相同的hash結(jié)果(這個真的比較神奇。。。)所以scrapy-redis依舊使用url的fingerprint來判斷request請求是否已經(jīng)出現(xiàn)過。這個類通過連接redis,使用一個key來向redis的一個set中插入fingerprint(這個key對于同一種spider是相同的,redis是一個key-value的數(shù)據(jù)庫,如果key是相同的,訪問到的值就是相同的,這里使用spider名字+DupeFilter的key就是為了在不同主機(jī)上的不同爬蟲實(shí)例,只要屬于同一種spider,就會訪問到同一個set,而這個set就是他們的url判重池),如果返回值為0,說明該set中該fingerprint已經(jīng)存在(因?yàn)榧鲜菦]有重復(fù)值的),則返回False,如果返回值為1,說明添加了一個fingerprint到set中,則說明這個request沒有重復(fù),于是返回True,還順便把新fingerprint加入到數(shù)據(jù)庫中了。 DupeFilter判重會在scheduler類中用到,每一個request在進(jìn)入調(diào)度之前都要進(jìn)行判重,如果重復(fù)就不需要參加調(diào)度,直接舍棄就好了,不然就是白白浪費(fèi)資源。
queue.py
其作用如dupefilter.py所述,但是這里實(shí)現(xiàn)了三種方式的queue:FIFO的SpiderQueue,SpiderPriorityQueue,以及LIFI的SpiderStack。默認(rèn)使用的是第二種,這也就是出現(xiàn)之前文章中所分析情況的原因(鏈接)。
from scrapy.utils.reqser import request_to_dict, request_from_dict from . import picklecompat class Base(object): """Per-spider queue/stack base class""" def __init__(self, server, spider, key, serializer=None): """Initialize per-spider redis queue. Parameters: server -- redis connection spider -- spider instance key -- key for this queue (e.g. "%(spider)s:queue") """ if serializer is None: # Backward compatibility. # TODO: deprecate pickle. serializer = picklecompat if not hasattr(serializer, 'loads'): raise TypeError("serializer does not implement 'loads' function: %r" % serializer) if not hasattr(serializer, 'dumps'): raise TypeError("serializer '%s' does not implement 'dumps' function: %r" % serializer) self.server = server self.spider = spider self.key = key % {'spider': spider.name} self.serializer = serializer def _encode_request(self, request): """Encode a request object""" obj = request_to_dict(request, self.spider) return self.serializer.dumps(obj) def _decode_request(self, encoded_request): """Decode an request previously encoded""" obj = self.serializer.loads(encoded_request) return request_from_dict(obj, self.spider) def __len__(self): """Return the length of the queue""" raise NotImplementedError def push(self, request): """Push a request""" raise NotImplementedError def pop(self, timeout=0): """Pop a request""" raise NotImplementedError def clear(self): """Clear queue/stack""" self.server.delete(self.key) class SpiderQueue(Base): """Per-spider FIFO queue""" def __len__(self): """Return the length of the queue""" return self.server.llen(self.key) def push(self, request): """Push a request""" self.server.lpush(self.key, self._encode_request(request)) def pop(self, timeout=0): """Pop a request""" if timeout > 0: data = self.server.brpop(self.key, timeout) if isinstance(data, tuple): data = data[1] else: data = self.server.rpop(self.key) if data: return self._decode_request(data) class SpiderPriorityQueue(Base): """Per-spider priority queue abstraction using redis' sorted set""" def __len__(self): """Return the length of the queue""" return self.server.zcard(self.key) def push(self, request): """Push a request""" data = self._encode_request(request) score = -request.priority # We don't use zadd method as the order of arguments change depending on # whether the class is Redis or StrictRedis, and the option of using # kwargs only accepts strings, not bytes. self.server.execute_command('ZADD', self.key, score, data) def pop(self, timeout=0): """ Pop a request timeout not support in this queue class """ # use atomic range/remove using multi/exec pipe = self.server.pipeline() pipe.multi() pipe.zrange(self.key, 0, 0).zremrangebyrank(self.key, 0, 0) results, count = pipe.execute() if results: return self._decode_request(results[0]) class SpiderStack(Base): """Per-spider stack""" def __len__(self): """Return the length of the stack""" return self.server.llen(self.key) def push(self, request): """Push a request""" self.server.lpush(self.key, self._encode_request(request)) def pop(self, timeout=0): """Pop a request""" if timeout > 0: data = self.server.blpop(self.key, timeout) if isinstance(data, tuple): data = data[1] else: data = self.server.lpop(self.key) if data: return self._decode_request(data) __all__ = ['SpiderQueue', 'SpiderPriorityQueue', 'SpiderStack']
該文件實(shí)現(xiàn)了幾個容器類,可以看這些容器和redis交互頻繁,同時使用了我們上邊picklecompat中定義的serializer。這個文件實(shí)現(xiàn)的幾個容器大體相同,只不過一個是隊(duì)列,一個是棧,一個是優(yōu)先級隊(duì)列,這三個容器到時候會被scheduler對象實(shí)例化,來實(shí)現(xiàn)request的調(diào)度。比如我們使用SpiderQueue最為調(diào)度隊(duì)列的類型,到時候request的調(diào)度方法就是先進(jìn)先出,而實(shí)用SpiderStack就是先進(jìn)后出了。
我們可以仔細(xì)看看SpiderQueue的實(shí)現(xiàn),他的push函數(shù)就和其他容器的一樣,只不過push進(jìn)去的request請求先被scrapy的接口request_to_dict變成了一個dict對象(因?yàn)閞equest對象實(shí)在是比較復(fù)雜,有方法有屬性不好串行化),之后使用picklecompat中的serializer串行化為字符串,然后使用一個特定的key存入redis中(該key在同一種spider中是相同的)。而調(diào)用pop時,其實(shí)就是從redis用那個特定的key去讀其值(一個list),從list中讀取最早進(jìn)去的那個,于是就先進(jìn)先出了。
這些容器類都會作為scheduler調(diào)度request的容器,scheduler在每個主機(jī)上都會實(shí)例化一個,并且和spider一一對應(yīng),所以分布式運(yùn)行時會有一個spider的多個實(shí)例和一個scheduler的多個實(shí)例存在于不同的主機(jī)上,但是,因?yàn)閟cheduler都是用相同的容器,而這些容器都連接同一個redis服務(wù)器,又都使用spider名加queue來作為key讀寫數(shù)據(jù),所以不同主機(jī)上的不同爬蟲實(shí)例公用一個request調(diào)度池,實(shí)現(xiàn)了分布式爬蟲之間的統(tǒng)一調(diào)度。
picklecompat.py
"""A pickle wrapper module with protocol=-1 by default.""" try: import cPickle as pickle # PY2 except ImportError: import pickle def loads(s): return pickle.loads(s) def dumps(obj): return pickle.dumps(obj, protocol=-1)
這里實(shí)現(xiàn)了loads和dumps兩個函數(shù),其實(shí)就是實(shí)現(xiàn)了一個serializer,因?yàn)閞edis數(shù)據(jù)庫不能存儲復(fù)雜對象(value部分只能是字符串,字符串列表,字符串集合和hash,key部分只能是字符串),所以我們存啥都要先串行化成文本才行。這里使用的就是python的pickle模塊,一個兼容py2和py3的串行化工具。這個serializer主要用于一會的scheduler存reuqest對象,至于為什么不實(shí)用json格式,我也不是很懂,item pipeline的串行化默認(rèn)用的就是json。
pipelines.py
這是是用來實(shí)現(xiàn)分布式處理的作用。它將Item存儲在redis中以實(shí)現(xiàn)分布式處理。另外可以發(fā)現(xiàn),同樣是編寫pipelines,在這里的編碼實(shí)現(xiàn)不同于文章中所分析的情況,由于在這里需要讀取配置,所以就用到了from_crawler()
函數(shù)。
from scrapy.utils.misc import load_object from scrapy.utils.serialize import ScrapyJSONEncoder from twisted.internet.threads import deferToThread from . import connection default_serialize = ScrapyJSONEncoder().encode class RedisPipeline(object): """Pushes serialized item into a redis list/queue""" def __init__(self, server, key='%(spider)s:items', serialize_func=default_serialize): self.server = server self.key = key self.serialize = serialize_func @classmethod def from_settings(cls, settings): params = { 'server': connection.from_settings(settings), } if settings.get('REDIS_ITEMS_KEY'): params['key'] = settings['REDIS_ITEMS_KEY'] if settings.get('REDIS_ITEMS_SERIALIZER'): params['serialize_func'] = load_object( settings['REDIS_ITEMS_SERIALIZER'] ) return cls(**params) @classmethod def from_crawler(cls, crawler): return cls.from_settings(crawler.settings) def process_item(self, item, spider): return deferToThread(self._process_item, item, spider) def _process_item(self, item, spider): key = self.item_key(item, spider) data = self.serialize(item) self.server.rpush(key, data) return item def item_key(self, item, spider): """Returns redis key based on given spider. Override this function to use a different key depending on the item and/or spider. """ return self.key % {'spider': spider.name}
pipeline文件實(shí)現(xiàn)了一個item pipieline類,和scrapy的item pipeline是同一個對象,通過從settings中拿到我們配置的REDIS_ITEMS_KEY作為key,把item串行化之后存入redis數(shù)據(jù)庫對應(yīng)的value中(這個value可以看出出是個list,我們的每個item是這個list中的一個結(jié)點(diǎn)),這個pipeline把提取出的item存起來,主要是為了方便我們延后處理數(shù)據(jù)。
scheduler.py
此擴(kuò)展是對scrapy中自帶的scheduler的替代(在settings的SCHEDULER變量中指出),正是利用此擴(kuò)展實(shí)現(xiàn)crawler的分布式調(diào)度。其利用的數(shù)據(jù)結(jié)構(gòu)來自于queue中實(shí)現(xiàn)的數(shù)據(jù)結(jié)構(gòu)。
scrapy-redis所實(shí)現(xiàn)的兩種分布式:爬蟲分布式以及item處理分布式就是由模塊scheduler和模塊pipelines實(shí)現(xiàn)。上述其它模塊作為為二者輔助的功能模塊。
import importlib import six from scrapy.utils.misc import load_object from . import connection # TODO: add SCRAPY_JOB support. class Scheduler(object): """Redis-based scheduler""" def __init__(self, server, persist=False, flush_on_start=False, queue_key='%(spider)s:requests', queue_cls='scrapy_redis.queue.SpiderPriorityQueue', dupefilter_key='%(spider)s:dupefilter', dupefilter_cls='scrapy_redis.dupefilter.RFPDupeFilter', idle_before_close=0, serializer=None): """Initialize scheduler. Parameters ---------- server : Redis The redis server instance. persist : bool Whether to flush requests when closing. Default is False. flush_on_start : bool Whether to flush requests on start. Default is False. queue_key : str Requests queue key. queue_cls : str Importable path to the queue class. dupefilter_key : str Duplicates filter key. dupefilter_cls : str Importable path to the dupefilter class. idle_before_close : int Timeout before giving up. """ if idle_before_close < 0: raise TypeError("idle_before_close cannot be negative") self.server = server self.persist = persist self.flush_on_start = flush_on_start self.queue_key = queue_key self.queue_cls = queue_cls self.dupefilter_cls = dupefilter_cls self.dupefilter_key = dupefilter_key self.idle_before_close = idle_before_close self.serializer = serializer self.stats = None def __len__(self): return len(self.queue) @classmethod def from_settings(cls, settings): kwargs = { 'persist': settings.getbool('SCHEDULER_PERSIST'), 'flush_on_start': settings.getbool('SCHEDULER_FLUSH_ON_START'), 'idle_before_close': settings.getint('SCHEDULER_IDLE_BEFORE_CLOSE'), } # If these values are missing, it means we want to use the defaults. optional = { # TODO: Use custom prefixes for this settings to note that are # specific to scrapy-redis. 'queue_key': 'SCHEDULER_QUEUE_KEY', 'queue_cls': 'SCHEDULER_QUEUE_CLASS', 'dupefilter_key': 'SCHEDULER_DUPEFILTER_KEY', # We use the default setting name to keep compatibility. 'dupefilter_cls': 'DUPEFILTER_CLASS', 'serializer': 'SCHEDULER_SERIALIZER', } for name, setting_name in optional.items(): val = settings.get(setting_name) if val: kwargs[name] = val # Support serializer as a path to a module. if isinstance(kwargs.get('serializer'), six.string_types): kwargs['serializer'] = importlib.import_module(kwargs['serializer']) server = connection.from_settings(settings) # Ensure the connection is working. server.ping() return cls(server=server, **kwargs) @classmethod def from_crawler(cls, crawler): instance = cls.from_settings(crawler.settings) # FIXME: for now, stats are only supported from this constructor instance.stats = crawler.stats return instance def open(self, spider): self.spider = spider try: self.queue = load_object(self.queue_cls)( server=self.server, spider=spider, key=self.queue_key % {'spider': spider.name}, serializer=self.serializer, ) except TypeError as e: raise ValueError("Failed to instantiate queue class '%s': %s", self.queue_cls, e) try: self.df = load_object(self.dupefilter_cls)( server=self.server, key=self.dupefilter_key % {'spider': spider.name}, debug=spider.settings.getbool('DUPEFILTER_DEBUG'), ) except TypeError as e: raise ValueError("Failed to instantiate dupefilter class '%s': %s", self.dupefilter_cls, e) if self.flush_on_start: self.flush() # notice if there are requests already in the queue to resume the crawl if len(self.queue): spider.log("Resuming crawl (%d requests scheduled)" % len(self.queue)) def close(self, reason): if not self.persist: self.flush() def flush(self): self.df.clear() self.queue.clear() def enqueue_request(self, request): if not request.dont_filter and self.df.request_seen(request): self.df.log(request, self.spider) return False if self.stats: self.stats.inc_value('scheduler/enqueued/redis', spider=self.spider) self.queue.push(request) return True def next_request(self): block_pop_timeout = self.idle_before_close request = self.queue.pop(block_pop_timeout) if request and self.stats: self.stats.inc_value('scheduler/dequeued/redis', spider=self.spider) return request def has_pending_requests(self): return len(self) > 0
這個文件重寫了scheduler類,用來代替scrapy.core.scheduler
的原有調(diào)度器。其實(shí)對原有調(diào)度器的邏輯沒有很大的改變,主要是使用了redis作為數(shù)據(jù)存儲的媒介,以達(dá)到各個爬蟲之間的統(tǒng)一調(diào)度。
scheduler負(fù)責(zé)調(diào)度各個spider的request請求,scheduler初始化時,通過settings文件讀取queue和dupefilters的類型(一般就用上邊默認(rèn)的),配置queue和dupefilters使用的key(一般就是spider name加上queue或者dupefilters,這樣對于同一種spider的不同實(shí)例,就會使用相同的數(shù)據(jù)塊了)。每當(dāng)一個request要被調(diào)度時,enqueue_request被調(diào)用,scheduler使用dupefilters來判斷這個url是否重復(fù),如果不重復(fù),就添加到queue的容器中(先進(jìn)先出,先進(jìn)后出和優(yōu)先級都可以,可以在settings中配置)。當(dāng)調(diào)度完成時,next_request被調(diào)用,scheduler就通過queue容器的接口,取出一個request,把他發(fā)送給相應(yīng)的spider,讓spider進(jìn)行爬取工作。
spider.py
設(shè)計(jì)的這個spider從redis中讀取要爬的url,然后執(zhí)行爬取,若爬取過程中返回更多的url,那么繼續(xù)進(jìn)行直至所有的request完成。之后繼續(xù)從redis中讀取url,循環(huán)這個過程。
from scrapy import signals from scrapy.exceptions import DontCloseSpider from scrapy.spiders import Spider, CrawlSpider from . import connection class RedisMixin(object): """Mixin class to implement reading urls from a redis queue.""" redis_key = None # If empty, uses default '<spider>:start_urls'. # Fetch this amount of start urls when idle. redis_batch_size = 100 # Redis client instance. server = None def start_requests(self): """Returns a batch of start requests from redis.""" return self.next_requests() def setup_redis(self, crawler=None): """Setup redis connection and idle signal. This should be called after the spider has set its crawler object. """ if self.server is not None: return if crawler is None: # We allow optional crawler argument to keep backwrads # compatibility. # XXX: Raise a deprecation warning. assert self.crawler, "crawler not set" crawler = self.crawler if not self.redis_key: self.redis_key = '%s:start_urls' % self.name self.log("Reading URLs from redis key '%s'" % self.redis_key) self.redis_batch_size = self.settings.getint( 'REDIS_START_URLS_BATCH_SIZE', self.redis_batch_size, ) self.server = connection.from_settings(crawler.settings) # The idle signal is called when the spider has no requests left, # that's when we will schedule new requests from redis queue crawler.signals.connect(self.spider_idle, signal=signals.spider_idle) def next_requests(self): """Returns a request to be scheduled or none.""" use_set = self.settings.getbool('REDIS_START_URLS_AS_SET') fetch_one = self.server.spop if use_set else self.server.lpop # XXX: Do we need to use a timeout here? found = 0 while found < self.redis_batch_size: data = fetch_one(self.redis_key) if not data: # Queue empty. break yield self.make_request_from_data(data) found += 1 if found: self.logger.debug("Read %s requests from '%s'", found, self.redis_key) def make_request_from_data(self, data): # By default, data is an URL. if '://' in data: return self.make_requests_from_url(data) else: self.logger.error("Unexpected URL from '%s': %r", self.redis_key, data) def schedule_next_requests(self): """Schedules a request if available""" for req in self.next_requests(): self.crawler.engine.crawl(req, spider=self) def spider_idle(self): """Schedules a request if available, otherwise waits.""" # XXX: Handle a sentinel to close the spider. self.schedule_next_requests() raise DontCloseSpider class RedisSpider(RedisMixin, Spider): """Spider that reads urls from redis queue when idle.""" @classmethod def from_crawler(self, crawler): obj = super(RedisSpider, self).from_crawler(crawler) obj.setup_redis(crawler) return obj class RedisCrawlSpider(RedisMixin, CrawlSpider): """Spider that reads urls from redis queue when idle.""" @classmethod def from_crawler(self, crawler): obj = super(RedisCrawlSpider, self).from_crawler(crawler) obj.setup_redis(crawler) return obj
spider的改動也不是很大,主要是通過connect接口,給spider綁定了spider_idle信號,spider初始化時,通過setup_redis函數(shù)初始化好和redis的連接,之后通過next_requests函數(shù)從redis中取出strat url,使用的key是settings中
REDIS_START_URLS_AS_SET定義的(注意了這里的初始化url池和我們上邊的queue的url池不是一個東西,queue的池是用于調(diào)度的,初始化url池是存放入口url的,他們都存在redis中,但是使用不同的key來區(qū)分,就當(dāng)成是不同的表吧),spider使用少量的start url,可以發(fā)展出很多新的url,這些url會進(jìn)入scheduler進(jìn)行判重和調(diào)度。直到spider跑到調(diào)度池內(nèi)沒有url的時候,會觸發(fā)spider_idle信號,從而觸發(fā)spider的next_requests函數(shù),再次從redis的start url池中讀取一些url。
組件之間的關(guān)系
最后總結(jié)一下scrapy-redis的總體思路:這個工程通過重寫scheduler和spider類,實(shí)現(xiàn)了調(diào)度、spider啟動和redis的交互。實(shí)現(xiàn)新的dupefilter和queue類,達(dá)到了判重和調(diào)度容器和redis的交互,因?yàn)槊總€主機(jī)上的爬蟲進(jìn)程都訪問同一個redis數(shù)據(jù)庫,所以調(diào)度和判重都統(tǒng)一進(jìn)行統(tǒng)一管理,達(dá)到了分布式爬蟲的目的。
當(dāng)spider被初始化時,同時會初始化一個對應(yīng)的scheduler對象,這個調(diào)度器對象通過讀取settings,配置好自己的調(diào)度容器queue和判重工具dupefilter。每當(dāng)一個spider產(chǎn)出一個request的時候,scrapy內(nèi)核會把這個reuqest遞交給這個spider對應(yīng)的scheduler對象進(jìn)行調(diào)度,scheduler對象通過訪問redis對request進(jìn)行判重,如果不重復(fù)就把他添加進(jìn)redis中的調(diào)度池。當(dāng)調(diào)度條件滿足時,scheduler對象就從redis的調(diào)度池中取出一個request發(fā)送給spider,讓他爬取。當(dāng)spider爬取的所有暫時可用url之后,scheduler發(fā)現(xiàn)這個spider對應(yīng)的redis的調(diào)度池空了,于是觸發(fā)信號spider_idle,spider收到這個信號之后,直接連接redis讀取strart url池,拿去新的一批url入口,然后再次重復(fù)上邊的工作。
為什么要提供這些組件?
我們先從scrapy的“待爬隊(duì)列”和“Scheduler”入手:玩過爬蟲的同學(xué)都多多少少有些了解,在爬蟲爬取過程當(dāng)中有一個主要的數(shù)據(jù)結(jié)構(gòu)是“待爬隊(duì)列”,以及能夠操作這個隊(duì)列的調(diào)度器(也就是Scheduler)。scrapy官方文檔對這二者的描述不多,基本上沒提。
scrapy使用什么樣的數(shù)據(jù)結(jié)構(gòu)來存放待爬取的request呢?其實(shí)沒用高大上的數(shù)據(jù)結(jié)構(gòu),就是python自帶的collection.deque(改造過后的),問題來了,該怎么讓兩個以上的Spider共用這個deque呢?
scrapy-redis提供了一個解決方法,把deque換成redis數(shù)據(jù)庫,我們從同一個redis服務(wù)器存放要爬取的request,這樣就能讓多個spider去同一個數(shù)據(jù)庫里讀取,這樣分布式的主要問題就解決了嘛。
那么問題又來了,我們換了redis來存放隊(duì)列,哪scrapy就能直接分布式了么?。scrapy中跟“待爬隊(duì)列”直接相關(guān)的就是調(diào)度器“Scheduler”,它負(fù)責(zé)對新的request進(jìn)行入列操作(加入deque),取出下一個要爬取的request(從deque中取出)等操作。在scrapy中,Scheduler并不是直接就把deque拿來就粗暴的使用了,而且提供了一個比較高級的組織方法,它把待爬隊(duì)列按照優(yōu)先級建立了一個字典結(jié)構(gòu),比如:
{ priority0:隊(duì)列0 priority1:隊(duì)列2 priority2:隊(duì)列2 }
然后根據(jù)request中的priority屬性,來決定該入哪個隊(duì)列。而出列時,則按priority較小的優(yōu)先出列。為了管理這個比較高級的隊(duì)列字典,Scheduler需要提供一系列的方法。你要是換了redis做隊(duì)列,這個scrapy下的Scheduler就用不了,所以自己寫一個吧。于是就出現(xiàn)了scrapy-redis的專用scheduler。
那么既然使用了redis做主要數(shù)據(jù)結(jié)構(gòu),能不能把其他使用自帶數(shù)據(jù)結(jié)構(gòu)關(guān)鍵功能模塊也換掉呢? 在我們爬取過程當(dāng)中,還有一個重要的功能模塊,就是request去重。scrapy中是如何實(shí)現(xiàn)這個去重功能的呢?用集合~scrapy中把已經(jīng)發(fā)送的request指紋放入到一個集合中,把下一個request的指紋拿到集合中比對,如果該指紋存在于集合中,說明這個request發(fā)送過了,如果沒有則繼續(xù)操作。
為了分布式,把這個集合也換掉吧,換了redis,照樣也得把去重類給換了。于是就有了scrapy-redis的dupefilter。那么依次類推,接下來的其他組件(Pipeline和Spider),我們也可以輕松的猜到,他們是為什么要被修改呢。
總結(jié)
以上就是這篇文章的全部內(nèi)容了,希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作能帶來一定的幫助,如果有疑問大家可以留言交流。
相關(guān)文章
Python實(shí)現(xiàn)過濾單個Android程序日志腳本分享
這篇文章主要介紹了Python實(shí)現(xiàn)過濾單個Android程序日志腳本分享,本文講解了原理、實(shí)現(xiàn)代碼、使用方法、最新代碼等內(nèi)容,需要的朋友可以參考下2015-01-01爬蟲使用IP來隱藏真實(shí)地址的過程(python示例)
這篇文章主要為大家介紹了爬蟲使用IP來隱藏真實(shí)地址的過程(python示例)詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-12-12PyTorch中torch.nn.Linear實(shí)例詳解
torch.nn是包含了構(gòu)筑神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基本元素的包,在這個包中可以找到任意的神經(jīng)網(wǎng)絡(luò)層,下面這篇文章主要給大家介紹了關(guān)于PyTorch中torch.nn.Linear的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-06-06python計(jì)算階乘和的方法(1!+2!+3!+...+n!)
今天小編就為大家分享一篇python計(jì)算階乘和的方法(1!+2!+3!+...+n!),具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-02-02Python基于pygame實(shí)現(xiàn)單機(jī)版五子棋對戰(zhàn)
這篇文章主要為大家詳細(xì)介紹了Python基于pygame實(shí)現(xiàn)單機(jī)版五子棋對戰(zhàn),文中示例代碼介紹的非常詳細(xì),具有一定的參考價值,感興趣的小伙伴們可以參考一下2019-12-12PyTorch 解決Dataset和Dataloader遇到的問題
今天小編就為大家分享一篇PyTorch 解決Dataset和Dataloader遇到的問題,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-01-01