是网站建设专业好,企业seo推广,网站二级栏目,wordpress 评论 美化一、分布式爬虫简述
#xff08;一#xff09;分布式爬虫优势
1.充分利用多台机器的带宽速度
2.充分利用多台机器的ip地址 #xff08;二#xff09;Redis数据库
1.Redis是一个高性能的nosql数据库
2.Redis的所有操作都是原子性的
3.Redis的数据类型都是基于基本数据…一、分布式爬虫简述
一分布式爬虫优势
1.充分利用多台机器的带宽速度
2.充分利用多台机器的ip地址 二Redis数据库
1.Redis是一个高性能的nosql数据库
2.Redis的所有操作都是原子性的
3.Redis的数据类型都是基于基本数据结构无需额外的抽象
4.Redis五种数据类型string、hash、list、set、zset(sorted set
三python操作redis数据库
1.终端pip install redis
2.代码如下
import redis
db redis.Redis(hostlocalhost, port6379, decode_responsesTrue)# 如果用到相同的key值可以自动修改
db.set(name, Sam)
db.set(name2, 张三)print(db.get(name2))# 多个值
db.mset({k1:v1,k2:v2})
print(db.mget(k1,k2,name2))# hash
db.hset(hash1,hkey1,hvalue1)
db.hset(hash1,hkey2,hvalue2)
db.hset(hash1,hkey3,hvalue3)print(db.hget(hash1,hkey2))
print(db.hgetall(hash1))db.lpush(list1,11,22,33)
print(db.llen(list1))
print(db.lrange(list1,0,-1))db.sadd(set1, 55, 44 ,77)
print(db.scard(set1))
print(db.smembers(set1))db.zadd(zset1,{item1:1,item2:2,item3:2})
print(db.zcard(zset1))
print(db.zrange(zset1,0,-1))
print(db.zrange(zset1,0,-1,withscoresTrue))
四Redis数据保存至mongodb数据库
import redis
import pymongo
import jsondb_redis redis.Redis(hostlocalhost, port6379, decode_responsesTrue)client_mongo pymongo.MongoClient(mongodb://localhost:27017)
db_mongo client_mongo[RedisToMongo]
col_mongo db_mongo[C1]for i in db_redis.lrange(app:items, 0 -1):page {title:json.loads(i)[title]}res col_mongo.insert_one(page)print(res.inserted_id)
二、分布式爬虫实战
实现一个简单的分布式
1.创建爬虫项目和文件同scrapy一样的步骤
2.修改settings.py文件中的user-agent、robotstxt_obey、log_level、打开注释掉的item_piplines
3.终端安装scrapy-redis:pip install scrapy-redis
4.在app.py文件中修改如下代码
import scrapy
from ..items import C07L07Item
from scrapy_redis.spiders import RedisSpiderclass AppSpider(RedisSpider):name appredis_key app# start_urls [http://127.0.0.1:5000/C07L07]def __init__(self, *args, **kwargs):domain kwargs.pop(domain,)self.allowed_domains filter(None, domain.split(,))super(AppSpider, self).__init__(*args, **kwargs)def parse(self, response):links response.xpath(//a/href).getall()for link in links:link http://127.0.0.1:5000linkyield scrapy.Request(urllink,callbackself.parse_details, dont_filterTrue)def parse_details(self, response):item C07L07Item()item[title] response.textyield item
在items.py文件中修改数据结构
import scrapyclass C07L07Item(scrapy.Item):title scrapy.Field()
在pipelines.py文件中修改代码
from itemdapter import ItemAdapterclass C07L07Pipeline:def process_item(self, item, spider):print(item[title])return item
5.在settings.py文件中添加如下代码修改ITEM_PIPELINES
DUPEFILTER_CLASS scrapy_redis.dupefilter.RFPDupeFilter
SCHEDULER scrapy_redis.scheduler.Scheduler
SCHEDULER_PERSIST TrueREDIS_URL redis://127.0.0.1:6379
DOWNLOAD_DELAY 1ITEM_PIPELINES {C07LO7.pipelines.C07LO7Pipeline:300,scrapy_redis.pipelines.RedisPipeline:400
}
6.在终端链接redis数据库redis-cli lpush app http://127.0.0.1:5000/C07L07
7.运行爬虫代码scrapy crawl app(可以开多进程
