Scrapy-Redis入门实战

谁借莪１个温暖的怀抱￠ 2022-02-05 12:09 255阅读 0赞

**目录**

简介

Scrapy-Redis特性

Scrapy-Redis示例

开发环境

创建项目

定义Item

创建Spider

修改配置

启动爬虫

--------------------

# 简介 #

scrapy-redis是一个基于redis的scrapy组件，用于快速实现scrapy项目的分布式部署和数据爬取，其运行原理如下图所示。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70][]

# Scrapy-Redis特性 #

**分布式爬取**

你可以启动多个共享同一redis队列的爬虫实例，多个爬虫实例将各自提取到或者已请求的Requests在队列中统一进行登记，使得Scheduler在请求调度时能够对重复Requests进行过滤，即保证已经由某一个爬虫实例请求过的Request将不会再被其他的爬虫实例重复请求。

**分布式数据处理**

将scrapy爬取到的items汇聚到同一个redis队列中，意味着你可以根据你的需要启动尽可能多的共享这个items队列的后处理程序。

**Scrapy即插即用组件**

Scheduler调度器 + Duplication重复过滤器、Item Pipeline、基础Spider爬虫

# Scrapy-Redis示例 #

本文将以爬取京东所有图书分类下的图书信息为例对Scrapy-Redis的用法进行示例。

## 开发环境 ##

*  Python 3.7
 *  Redis 3.2.100

下面列举出了 Python 中 Scrapy-Redis 所需要的各个模块及其版本：

*  redis 2.10.6
 *  redis-py-cluster 1.3.6
 *  scrapy-redis 0.6.8
 *  scrapy-redis-cluster 0.4

在开发之前需要先安装好以上模块，以scrapy-redis-cluster模块为例，使用pip进行安装的命令如下：

pip install scrapy-redis-cluster # 安装模块
    pip install scrapy-redis-cluster==0.4 # 安装模块时指定版本
    pip install --upgrade scrapy-redis-cluster # 升级模块版本

## 创建项目 ##

在Windows命令行执行如下命令完成项目创建：

d:\scrapy>scrapy startproject jd_book

执行完该命令后，将会在当前目录下创建包含下列内容的 jd\_book 目录：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 1][]

## 定义Item ##

在items.py中把我们将要爬取的图书字段预先定义好。

# -*- coding: utf-8 -*-
    
    import scrapy
    
    class JdBookItem(scrapy.Item):
        b_cate = scrapy.Field() # 图书所属一级分类名称
        s_cate = scrapy.Field() # 图书所属二级分类名称
        s_href = scrapy.Field() # 图书所属二级分类地址
        book_name = scrapy.Field() # 名称
        book_img = scrapy.Field() # 封面图片地址
        book_author = scrapy.Field() # 作者
        book_press = scrapy.Field() # 出版社
        book_publish_date = scrapy.Field() # 出版日期
        book_sku = scrapy.Field() # 商品编号
        book_price = scrapy.Field() # 价格

## 创建Spider ##

在Windows命令行执行如下命令完成Spider创建：

d:\scrapy\jd_book>cd jd_book
    d:\scrapy\jd_book>scrapy genspider jdbook jd.com

执行完该命令后，将会在 jd\_book 的 spiders 目录下生成一个 jdbook.py 文件 ：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 2][]

jdbook.py的完整爬虫代码如下。

# -*- coding: utf-8 -*-
    import scrapy
    import json
    import urllib
    from copy import deepcopy
    from jd_book.items import JdBookItem
    
    class JdbookSpider(scrapy.Spider):
        name = 'jdbook'
        allowed_domains = ['jd.com','3.cn']
        start_urls = ['https://book.jd.com/booksort.html']
    
        def parse(self, response): # 处理图书分类页
            dt_list = response.xpath("//div[@class='mc']/dl/dt") # 提取一级分类元素
            for dt in dt_list:
                item = JdBookItem()
                item["b_cate"] = dt.xpath("./a/text()").extract_first() # 提取一级分类名称
                em_list = dt.xpath("./following-sibling::dd[1]/em") # 提取二级分类元素
                for em in em_list:
                    item["s_cate"] = em.xpath("./a/text()").extract_first() # 提取二级分类名称
                    item["s_href"] = em.xpath("./a/@href").extract_first() # 提取二级分类地址
                    if item["s_href"] is not None:
                        item['s_href'] = "https:" + item['s_href'] # 补全二级分类地址
                        yield scrapy.Request(item['s_href'], callback=self.parse_book_list, meta={"item": deepcopy(item)})
    
        def parse_book_list(self, response): # 处理二级分类下图书列表页
            item = response.meta['item']
            li_list = response.xpath("//div[@id='plist']/ul/li") # 提取所有的图书元素
            for li in li_list:
                item["book_img"] = li.xpath(".//div[@class='p-img']//img/@data-lazy-img").extract_first()
                if item["book_img"] is None:
                    item["book_img"] = li.xpath(".//div[@class='p-img']//img/@src").extract_first()
                if item["book_img"] is not None:
                    item["book_img"] = "https:"+item["book_img"]
                item["book_name"] = li.xpath(".//div[@class='p-name']/a/em/text()").extract_first().strip()
                item["book_author"] = li.xpath(".//span[@class='author_type_1']/a/text()").extract()
                item["book_press"] = li.xpath(".//span[@class='p-bi-store']/a/@title").extract_first()
                item["book_publish_date"] = li.xpath(".//span[@class='p-bi-date']/text()").extract_first().strip()
                item["book_sku"] = li.xpath("./div/@data-sku").extract_first()
                price_url = "https://p.3.cn/prices/mgets?skuIds=j_{}".format(item["book_sku"]) # 提取图书价格请求地址
                yield scrapy.Request(price_url, callback=self.parse_book_price, meta={"item": deepcopy(item)})
    
            # 提取列表页下一页地址
            next_url = response.xpath("//a[@class='pn-next']/@href").extract_first()
            if next_url is not None:
                next_url = urllib.parse.urljoin(response.url, next_url)
                # yield scrapy.Request(next_url,callback=self.parse_book_list,meta={"item":item})
    
        def parse_book_price(self, response):
            item = response.meta['item']
            item["book_price"] = json.loads(response.body.decode())[0]["op"]
            yield item

## 修改配置 ##

在settings.py 中增加Scrapy-Redis相关配置。

# -*- coding: utf-8 -*-
    
    BOT_NAME = 'jd_book'
    
    SPIDER_MODULES = ['jd_book.spiders']
    NEWSPIDER_MODULE = 'jd_book.spiders'
    
    # Crawl responsibly by identifying yourself (and your website) on the user-agent
    USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'
    
    # Obey robots.txt rules
    ROBOTSTXT_OBEY = False
    
    
    ######################################################
    ##############下面是Scrapy-Redis相关配置################
    ######################################################
    
    # 指定Redis的主机名和端口
    REDIS_HOST = 'localhost'
    REDIS_PORT = 6379
    
    # 调度器启用Redis存储Requests队列
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"
    
    # 确保所有的爬虫实例使用Redis进行重复过滤
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
    
    # 将Requests队列持久化到Redis，可支持暂停或重启爬虫
    SCHEDULER_PERSIST = True
    
    # Requests的调度策略，默认优先级队列
    SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'
    
    # 将爬取到的items保存到Redis 以便进行后续处理
    ITEM_PIPELINES = {
        'scrapy_redis.pipelines.RedisPipeline': 300
    }

## 启动爬虫 ##

至此京东图书项目就算配置完成了，你可以将项目部署到多台服务器中去，并使用如下命令来启动爬虫：

d:\scrapy\jd_book>scrapy crawl jdbook

爬取到的图书数据结构如下：

![2019050616182373.png][]

相应地，在Redis数据库中同时生成了如下3个键：

![20190506161849994.png][]

其中，jdbook:requests 中保存了待爬取的Request对象；jdbook:dupefilter 中保存了已经爬取过的Request对象的指纹；jdbook:items中保存了爬取到的Item对象。

通过上述京东图书项目不难看出，scrapy-redis项目与普通的scrapy项目相比，除了在settings.py配置时额外增加了一些scrapy-redis的专属配置外，其他环节完全相同。

# 参考文章 #

[https://scrapy-redis.readthedocs.io/en/stable/index.html][https_scrapy-redis.readthedocs.io_en_stable_index.html]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70]: /images/20220205/d579019c5db64d518200c5f7af3abb00.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 1]: /images/20220205/d3d33a184082400c8ea99d175999573c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BlbmdqdW5sZWU_size_16_color_FFFFFF_t_70 2]: /images/20220205/5da101265b2c4329b7d392c8179f2905.png
[2019050616182373.png]: /images/20220205/a607cdbee5ba4799a740015f69fda31b.png
[20190506161849994.png]: /images/20220205/592ba586f894466f9b8a7e45f251590c.png
[https_scrapy-redis.readthedocs.io_en_stable_index.html]: https://scrapy-redis.readthedocs.io/en/stable/index.html