【百度云搜寻，搜各种材料:http://www.lqkweb.com】
【搜网盘，搜各种材料:http://www.swpan.cn】

scrapy-redis是一个能够scrapy联合redis搭建分布式爬虫的开源模块

scrapy-redis的依赖

  • Python 2.7, 3.4 or 3.5，Python反对版本
  • Redis >= 2.8，Redis版本
  • Scrapy >= 1.1，Scrapy版本
  • redis-py >= 2.10，redis-py版本，redis-py是一个Python操作Redis的模块，scrapy-redis底层是用redis-py来实现的``

下载地址：https://pypi.python.org/pypi/...

咱们以scrapy-redis/0.6.8版本为讲

一、装置scrapy-redis/0.6.8版本的依赖

　　首先装置好scrapy-redis/0.6.8版本的依赖关系模块和软件

二、创立scrapy我的项目

　　执行命令创立我的项目：scrapy startproject fbshpch

三、将下载的scrapy-redis-0.6.8模块包解压，解压后将包里的crapy-redis-0.6.8\src\scrapy_redis的scrapy_redis文件夹复制到我的项目中

四、分布式爬虫实现代码，一般爬虫，相当于basic命令创立的一般爬虫

留神：分布式一般爬虫必须继承scrapy-redis的RedisSpider类

#!/usr/bin/env python# -*- coding:utf8 -*-from scrapy_redis.spiders import RedisSpider    # 导入scrapy_redis里的RedisSpider类import scrapyfrom scrapy.http import Request                 #导入url返回给下载器的办法from urllib import parse                        #导入urllib库里的parse模块class jobboleSpider(RedisSpider):               # 自定义爬虫类,继承RedisSpider类    name = 'jobbole'                            # 设置爬虫名称    allowed_domains = ['blog.jobbole.com']       # 爬取域名    redis_key = 'jobbole:start_urls'            # 向redis设置一个名称贮存url    def parse(self, response):        """        获取列表页的文章url地址，交给下载器        """        # 获取当前页文章url        lb_url = response.xpath('//a[@class="archive-title"]/@href').extract()  # 获取文章列表url        for i in lb_url:            # print(parse.urljoin(response.url,i))                                             #urllib库里的parse模块的urljoin()办法，是主动url拼接，如果第二个参数的url地址是相对路径会主动与第一个参数拼接            yield Request(url=parse.urljoin(response.url, i),                          callback=self.parse_wzhang)  # 将循环到的文章url增加给下载器，下载后交给parse_wzhang回调函数        # 获取下一页列表url,交给下载器，返回给parse函数循环        x_lb_url = response.xpath('//a[@class="next page-numbers"]/@href').extract()  # 获取下一页文章列表url        if x_lb_url:            yield Request(url=parse.urljoin(response.url, x_lb_url[0]),                          callback=self.parse)  # 获取到下一页url返回给下载器，回调给parse函数循环进行    def parse_wzhang(self, response):        title = response.xpath('//div[@class="entry-header"]/h1/text()').extract()  # 获取文章题目        print(title)

五、分布式爬虫实现代码，全站主动爬虫，相当于crawl命令创立的全站主动爬虫

留神：分布式全站主动爬虫必须继承scrapy-redis的RedisCrawlSpider类

#!/usr/bin/env python# -*- coding:utf8 -*-from scrapy_redis.spiders import RedisCrawlSpider    # 导入scrapy_redis里的RedisCrawlSpider类import scrapyfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import Ruleclass jobboleSpider(RedisCrawlSpider):               # 自定义爬虫类,继承RedisSpider类    name = 'jobbole'                                 # 设置爬虫名称    allowed_domains = ['www.luyin.org']              # 爬取域名    redis_key = 'jobbole:start_urls'                 # 向redis设置一个名称贮存url    rules = (        # 配置抓取列表页规定        # Rule(LinkExtractor(allow=('ggwa/.*')), follow=True),        # 配置抓取内容页规定        Rule(LinkExtractor(allow=('.*')), callback='parse_job', follow=True),    )    def parse_job(self, response):  # 回调函数，留神：因为CrawlS模板的源码创立了parse回调函数，所以切记咱们不能创立parse名称的函数        # 利用ItemLoader类，加载items容器类填充数据        neir = response.css('title::text').extract()        print(neir)

六、settings.py文件配置

# 分布式爬虫设置SCHEDULER = "scrapy_redis.scheduler.Scheduler"                  # 使调度在redis存储申请队列DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"      # 确保所有的蜘蛛都共享雷同的过滤器通过Redis复制ITEM_PIPELINES = {    'scrapy_redis.pipelines.RedisPipeline': 300                 # 存储在redis刮项后处理}

七、执行分布式爬虫

　　1、运行命令：scrapy crawl jobbole(jobbole示意爬虫名称)

　　2、启动redis，而后cd到redis的装置目录，

　　　　执行命令：redis-cli -h 127.0.0.1 -p 6379  连贯一个redis客户端

　　　　在连贯客户端执行命令：lpush jobbole:start_urls http://blog.jobbole.com/all-p...  ，向redis列队创立一个起始URL

　　　　阐明：lpush(列表数据) jobbole:start_urls(爬虫里定义的url列队名称) http://blog.jobbole.com/all-p...

八、scrapy-redis编写分布式爬虫代码原理

其余应用办法和单机版爬虫一样