分布式爬虫的实现方法

川长思鸟来 2023-10-07 16:19 24阅读 0赞

**什么是分布式爬虫?**  
分布式爬虫就是多台计算机上都安装爬虫程序，共享队列，去重，让多个爬虫不爬取其他爬虫爬取过的内容，从而实现实现联合采集。

[分布式爬虫框架][Link 1]

**三种分布式爬虫策略：**  
(1)**Slaver** 端从 Master 端拿任务(Request/url/ID)进行数据抓取，在抓取数据的同时也生成新任务，并将任务分配给 Master端。Master 端只有一个 Redis 数据库，负责对 Slaver 提交的任务进行去重、加入待爬队列。

优点：scrapy-redis 默认使用的就是这种策略，我们实现起来很简单，因为任务调度等工作 scrapy-redis 都已经帮我们做好了，我们只需要继承 RedisSpider、指定 redis\_key 即可。

·缺点：scrapy-redis 调度的任务是 Request 对象，里面信息量比较大(不仅包含 URL， 还有 callback 函数、headers 等信息)，会降低爬虫速度，而且会占用 Redis 大量的存储空间。当然，我们可以重写方法实现调度 URL或者用户 ID。

(2)**Maste**r 端跑一个程序去生成任务(Request/url/ID)。Master 端负责的是生产任务， 并把任务去重，加入到待爬队列中。Slaver 端只负责从 Master 端获取任务进行爬取。

优点：将生成任务和抓取数据分开，分工明确，减少了 Master 和 Slaver 端之间的数据交流;Master 端生成任务还有一个好处，那就是可以便捷地重写判重策略(当数据量大时优化判重的性能和速度还是很重要的)。

·缺点：像 QQ 或者新浪微博这种网站，发送一个请求，返回的内容里面可能包含几十 个待爬的用户 ID，即几十个新爬虫任务。但有些网站一个请求只能得到一两个新任务，并 且返回的内容里也包含爬虫要抓取的目标信息，如果将生成任务和抓取任务分开反而会降低爬虫抓取效率，毕竟带宽也是爬虫的一个瓶颈问题。我们要秉着发送尽量少的请求为原则，同时也是为了减轻网站服务器的压力，要做一只有道德的Crawler。所以，视情况而定。

(3)**Master**中只有一个集合，它只有查询的作用。Slaver 在遇到新任务时询问 Master 此任务是否已爬，如果未爬则加入 Slaver 自己的待爬队列中，Master 把此任务记为已爬。它和策略一比较像，但明显比策略一简单。策略一的简单是因为有 Scrapy-redis 实现了scheduler中间件，它并不适用于非 Scrapy框架的爬虫。

·优点：实现简单，非 Scrapy框架的爬虫也适用。Master 端压力比较小，Master与Slaver 的数据交流也不大。

·缺点：“健壮性”不够，需要另外定时保存待爬队列以实现“断点续爬”功能。各Slaver的待爬任务不通用。

如果把 Slaver 比作工人，把 Master 比作工头。策略一就是工人遇到新任务都上报给工头，需要干活的时候就去工头那里领任务;策略二就是工头去找新任务，工人只管从工头那里领任务干活;策略三就是工人遇到新任务时询问工头此任务是否有人做了，没有的话工人就将此任务加到自己的“行程表”。

[Link 1]: https://www.bilibili.com/video/BV1jx411b7E3