基于scrapy框架的分布式網(wǎng)絡(luò)爬蟲實(shí)現(xiàn)

《基于scrapy框架的分布式網(wǎng)絡(luò)爬蟲實(shí)現(xiàn)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于Scrapy框架的分布式網(wǎng)絡(luò)爬蟲實(shí)現(xiàn)　　摘要根據(jù)互聯(lián)網(wǎng)實(shí)際情況，提出分布式爬蟲模型，基于Scrapy框架，進(jìn)行代碼實(shí)現(xiàn)，且該開發(fā)方式可以迅速進(jìn)行對不同主題的數(shù)據(jù)爬取的移植，滿足不同專業(yè)方向的基于互聯(lián)網(wǎng)大數(shù)據(jù)分析需要。　　【關(guān)鍵詞】網(wǎng)絡(luò)爬蟲Scrapy-redis分布式　　1基本概念　　分布式爬蟲：分布式方式是以共同爬取為目標(biāo)，形成多爬蟲協(xié)同工作的模式，每個(gè)爬蟲需要獨(dú)立完成單項(xiàng)爬取任務(wù)，下載網(wǎng)頁并保存?！　crapy-redis：一個(gè)三方的基于redis數(shù)據(jù)庫實(shí)現(xiàn)的分布式方式，配合scrapy爬蟲框架使用，讓scrapy具有了分布式爬取的功能。　　2分布式爬蟲

2、技術(shù)方案　　Scrapy-redis分布式爬蟲的基本設(shè)計(jì)理念為主從模式，由作為主控端負(fù)責(zé)所有網(wǎng)絡(luò)子爬蟲的管理，子爬蟲只需要從主控端那里接收任務(wù)，并把新生成任務(wù)提交給主控端，在整個(gè)爬取的過程中不必與其他爬蟲通信?！　≈饕袔讉€(gè)技術(shù)關(guān)鍵點(diǎn)：　　2.1子爬蟲爬取任務(wù)的分發(fā)　　通過在主控端安裝一個(gè)redis數(shù)據(jù)庫，維護(hù)統(tǒng)一的任務(wù)列表，子爬蟲每次連接redis庫調(diào)用lpop（）方法，生成一個(gè)任務(wù)，并生成一個(gè)request，接下去就是如同一般爬蟲工作?！　?.2用戶登錄　　由于網(wǎng)站對于游客的訪問有限制，為了爬取所需信息，必須在程序中實(shí)現(xiàn)用戶登錄，其原理就是能獲取到有效的本地c

3、ookie，并利用該cookie進(jìn)行網(wǎng)站訪問，除了一般能夠用第三方庫進(jìn)行圖像識(shí)別的驗(yàn)證方式外，一般采用瀏覽器中手動(dòng)登錄，通過網(wǎng)絡(luò)工具截取有效的cookie，然后在爬蟲生成request時(shí)附帶上cookie?！　?.3url的去重　　scrapy_redis有一個(gè)dupefilter文件中包含RFPDupeFilter類用于過濾新增的url，可以在該類request_seen中利用redis的key的查找功能，如果所爬取的任務(wù)數(shù)以億計(jì)則建議Bloomfilter去重的方式對于URL的存儲(chǔ)和操作方式進(jìn)行優(yōu)化，雖然該方式會(huì)造成小于萬分之一的過濾遺失率?！　?.4數(shù)據(jù)寫入

4、　　選擇非關(guān)系性數(shù)據(jù)庫MongoDB作為硬盤數(shù)據(jù)庫與scrapy進(jìn)行搭配使用，在pipeline中對item數(shù)據(jù)進(jìn)行MongoDB的寫入操作?！　?基本實(shí)現(xiàn)步驟　　配置：Windows764-bit、Python：2.7.11、Anaconda4.0.0（64-bit）、IDE：Pycharm3.4.1、Scrapy：1.3.2Redis：X64-3.2、MongoDB：3.2.12　　代碼實(shí)現(xiàn)需要對幾個(gè)文件進(jìn)行設(shè)置和編寫：items、settings、spiders、pipelines?！　tems：這是一個(gè)爬取數(shù)據(jù)的基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)類，由其來存放爬蟲爬取的鍵值性

5、數(shù)據(jù)，關(guān)鍵的就是這條語句：_id=Field（）_id表示的生成一個(gè)數(shù)據(jù)對象，在Items中可以根據(jù)需要設(shè)定多個(gè)數(shù)據(jù)對象?！　ettings：ITEM_PIPELINES該參數(shù)決定了item的處理方法；DOWNLOAD_DELAY這個(gè)是下載的間隔時(shí)間；SCHEDULER指定作為總的任務(wù)協(xié)調(diào)器的類；SCHEDULER_QUEUE_CLASS這個(gè)參數(shù)是設(shè)定處理URL的隊(duì)列的工作模式一共有四種，一般選用SpiderSimpleQueue即可。　　spiders：該文件就是爬蟲主要功能的實(shí)現(xiàn)，首先設(shè)定該爬蟲的基本信息：name、domain、redis_key、star

6、t_urls。爬蟲的第一步都是執(zhí)行方法start_requests，其中核心語句yieldRequest（url，callback）用以根據(jù)url產(chǎn)生一個(gè)request并且將response結(jié)果回傳給callback方法。callback的方法中一般利用xpath或者正?t表達(dá)式對response中包含的html代碼進(jìn)行解析，產(chǎn)生所需要的數(shù)據(jù)以及新的任務(wù)url?！　ipelines：該文件作為數(shù)據(jù)處理、存儲(chǔ)的代碼段，將在items數(shù)據(jù)被創(chuàng)建后被調(diào)用，其中process_item的方法就是被調(diào)用的方法，所以一定要將其重寫，根據(jù)實(shí)際需要把數(shù)據(jù)利用方法dict（）轉(zhuǎn)化

7、為字典數(shù)據(jù)，最后寫入MongoDB。　　完成編寫后，在部署的時(shí)候，start_url的隊(duì)列只能是第一個(gè)運(yùn)行的爬蟲進(jìn)行初始化，后續(xù)運(yùn)行的爬蟲只能是把新的url進(jìn)行寫入不能對其進(jìn)行再次初始化，部署爬蟲的步驟也很簡單，只需要把相關(guān)的代碼拷貝到目標(biāo)電腦上，讓后cmd命令進(jìn)入spiders的文件夾，運(yùn)行命令scrapycrawlXXXX，其中XXXX就是爬蟲的名字，就完成了爬蟲的部署和運(yùn)行了?！　?結(jié)語　　爬蟲的實(shí)現(xiàn)，除了基本的步驟和參數(shù)設(shè)置之外，需要開發(fā)者根據(jù)實(shí)際網(wǎng)站以及數(shù)據(jù)情況，針對性的對爬取的策略、數(shù)據(jù)的去重、數(shù)據(jù)篩選進(jìn)行處理，對于爬蟲的性能進(jìn)行有效優(yōu)化，為之后的數(shù)據(jù)

8、分析做好良