Python 用Redis簡(jiǎn)單實(shí)現(xiàn)分布式爬蟲的方法

更新時(shí)間：2017年11月23日 09:52:36 作者：zhou_1997

本篇文章主要介紹了Python 用Redis簡(jiǎn)單實(shí)現(xiàn)分布式爬蟲的方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

Redis通常被認(rèn)為是一種持久化的存儲(chǔ)器關(guān)鍵字-值型存儲(chǔ)，可以用于幾臺(tái)機(jī)子之間的數(shù)據(jù)共享平臺(tái)。

連接數(shù)據(jù)庫(kù)

注意：假設(shè)現(xiàn)有幾臺(tái)在同一局域網(wǎng)內(nèi)的機(jī)器分別為Master和幾個(gè)Slaver

Master連接時(shí)host為localhost即本機(jī)的ip

_db = redis.Reds(host='localhost', port=6379, db=0)

Slaver連接時(shí)的host也為Master的ip，端口port和數(shù)據(jù)庫(kù)db不寫時(shí)為默認(rèn)值6379、0

_db = redis.Redis(host='192.168.235.80')

Redis含列表、集合，字符串等幾種數(shù)據(jù)結(jié)構(gòu)，具體詳細(xì)的幾種數(shù)據(jù)結(jié)構(gòu)的操作命令可查看Redis官網(wǎng)http://redis.io/commands，下面是對(duì)集合進(jìn)行操作的一些命令

_db.sadd(key, *values) # 插入指定values到集合中并返回新插入的的值的數(shù)量
_db.spop(self.key) # 隨機(jī)從集合中的得到一個(gè)元素將其從集合中刪除并作為返回值返回
_db.smembers(self.key) # 返回集合的所有元素
_db.delete(key) # 刪除整個(gè)集合, 成功返回1, 失敗返回0
_db.srandmember(self.key) # 從集合中隨機(jī)選取一個(gè)元素作為返回
_db.sismember(self.key, value) # 判斷指定value是否在本集合中，成功返回1,失敗返回0

例如，Master可利用redis將url上傳到數(shù)據(jù)庫(kù)

for i in range(20): # 將需爬取的糗事百科前20頁(yè)的url并存入urls集合
  url = 'http://www.qiushibaike.com/hot/page/%d/' % (i + 1)
  _db.sadd('urls', url) # 將url插入關(guān)鍵字urls集合中，若url已存在則不再插入

進(jìn)而Master和Slaver可從數(shù)據(jù)庫(kù)里獲取url

url = _db.spop('urls') # 隨機(jī)從urls集合中取出一個(gè)url返回并將其刪去

同理，Master可利用上面的方法將其他一些共用的資源上傳到數(shù)據(jù)庫(kù)，Slaver就可從數(shù)據(jù)庫(kù)下載需要的東西。下面是一個(gè)完整的例子

# coding=utf-8
import urllib2
import re
import time
import redis

headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/49.0.2623.108 Chrome/49.0.2623.108 Safari/537.36'}
job_redis = redis.Redis(host='192.168.235.80') # host為主機(jī)的IP，port和db為默認(rèn)值


class Clawer(object):

  identity = 'master' # 或slaver

  def __init__(self):
    if self.identity == 'master':
      for i in range(20): # 將需爬取的糗事百科前20頁(yè)的url并存入urls集合
        url = 'http://www.qiushibaike.com/hot/page/%d/' % (i + 1)
        job_redis.sadd('urls', url)
    self.main()

  def get_content(self):
    """
    從糗事百科中獲取故事
    :return: 故事列表
    """
    stories = []
    content_pattern = re.compile('<div class="content">([\w\W]*?)</div>([\w\W]*?)class="stats"') # 匹配故事內(nèi)容（第一空）和是否含有圖片（第二空）的模板
    pattern = re.compile('<.*?>') # 匹配包括括號(hào)及括號(hào)內(nèi)無(wú)關(guān)內(nèi)容的模板
    url = job_redis.spop('urls')
    while url: # 當(dāng)數(shù)據(jù)庫(kù)還存在網(wǎng)頁(yè)url，取出一個(gè)并爬取
      try:
        request = urllib2.Request(url, headers=headers)
        response = urllib2.urlopen(request)
        text = response.read()
      except urllib2.URLError, e: # 若出現(xiàn)網(wǎng)頁(yè)讀取錯(cuò)誤捕獲并輸出
        if hasattr(e, "reason"):
          print e.reason
      content = re.findall(content_pattern, text) # 獲取含模板內(nèi)容的列表
      for x in content:
        if "img" not in x[1]: # 過濾含圖片的故事
          x = re.sub(pattern, '', x[0])
          x = re.sub('\n', '', x)
          stories.append(x)
      url = job_redis.spop('urls')
      time.sleep(3)

    return stories

  def main(self):
    self.get_content()

if __name__ == '__main__':
  Clawer()

將此代碼在幾臺(tái)機(jī)器同時(shí)運(yùn)行，調(diào)節(jié)其身份為master或slaver，做到簡(jiǎn)單的分布式爬蟲

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: