簡(jiǎn)介
在使用 scrapy 爬取 IT桔子公司信息，用來(lái)進(jìn)行分析，了解 IT 創(chuàng)業(yè)公司的一切情況，之前使用 scrapy 寫了一個(gè)默認(rèn)線程是10的單個(gè)實(shí)例，為了防止被 ban IP 設(shè)置了下載的速度，3萬(wàn)多個(gè)公司信息爬了1天多才完成，現(xiàn)在想到使用分布式爬蟲來(lái)提高效率。
源碼githup
技術(shù)工具：Python3.5 scrapy scrapy_redis redis docker1.12 docker-compose Kitematic mysql SQLAlchemy
準(zhǔn)備工作
安裝 Docker 點(diǎn)這里去了解、安裝; pip install scrapy scrapy_redis;
代碼編寫
分析頁(yè)面信息：
我需要獲取的是每一個(gè)「公司」的詳情頁(yè)面鏈接 和 分頁(yè)按鈕鏈接； 統(tǒng)一存儲(chǔ)獲取到的鏈接，提供給多個(gè) spider 爬??； 多個(gè) spider 共享一個(gè) redis list 中的鏈接；
目錄結(jié)構(gòu)圖
juzi_spider.py
# coding:utf-8
from bs4 import BeautifulSoup
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from scrapy_redis.spiders import RedisCrawlSpider
from itjuzi_dis.items import CompanyItem
class ITjuziSpider(RedisCrawlSpider):
name = 'itjuzi_dis'
allowed_domains = ['']
# start_urls = ['http://www./company/157']
redis_key = 'itjuziCrawler:start_urls'
rules = [
# 獲取每一頁(yè)的鏈接
Rule(link_extractor=LinkExtractor(allow=('/company\?page=\d '))),
# 獲取每一個(gè)公司的詳情
Rule(link_extractor=LinkExtractor(allow=('/company/\d ')), callback='parse_item')
]
def parse_item(self, response):
soup = BeautifulSoup(response.body, 'lxml')
.
.省略一些處理代碼
.
return item
說(shuō)明：
class 繼承了RedisCrawlSpider 而不是CrawlSpider
start_urls 改為一個(gè)自定義的 itjuziCrawler:start_urls,這里的itjuziCrawler:start_urls 就是作為所有鏈接存儲(chǔ)到 redis 中的 key,scrapy_redis 里也是通過(guò)redis的 lpop方法彈出并刪除鏈接的；
db_util.py
使用 SQLAlchemy 作為 ORM 工具，當(dāng)表結(jié)構(gòu)不存在時(shí)，自動(dòng)創(chuàng)建表結(jié)構(gòu)
middlewares.py
增加了很多 User-Agent，每一個(gè)請(qǐng)求隨機(jī)使用一個(gè)，防止防止網(wǎng)站通過(guò) User-Agent 屏蔽爬蟲
settings.py
配置middlewares.py scrapy_redis redis 鏈接相關(guān)信息
部署
在上面的「目錄結(jié)構(gòu)圖」中有，Dockerfile和docker-compose.yml
Dockerfile
FROM python:3.5
ENV PATH /usr/local/bin:$PATH
ADD . /code
WORKDIR /code
RUN pip install -r requirements.txt
COPY spiders.py /usr/local/lib/python3.5/site-packages/scrapy_redis
CMD /usr/local/bin/scrapy crawl itjuzi_dis
說(shuō)明：
使用 python3.5作為基礎(chǔ)鏡像 將/usr/local/bin設(shè)置環(huán)境變量 映射 host 和 container 的目錄 安裝 requirements.txt 特別要說(shuō)明的是COPY spiders.py /usr/local/lib/python3.5/site-packages/scrapy_redis，將 host 中的 spiders.py 拷貝到container 中的 scrapy_redis 安裝目錄中，因?yàn)?lpop 獲取redis 的值在 python2中是 str 類型，而在 python3中是 bytes 類型，這個(gè)問(wèn)題在 scrapy_reids 中需要修復(fù)，spiders.py 第84行需要修改； 啟動(dòng)后立即執(zhí)行爬行命令 scrapy crawl itjuzi_dis
docker-compose.yml
version: '2'
services:
spider:
build: .
volumes:
- .:/code
links:
- redis
depends_on:
- redis
redis:
image: redis
ports:
- '6379:6379'
說(shuō)明:
開始部署
啟動(dòng) container
docker-compose up #從 docker-compose.yml 中創(chuàng)建 `container` 們
docker-compose scale spider=4 #將 spider 這一個(gè)服務(wù)擴(kuò)展到4個(gè)，還是同一個(gè) redis
可以在 Kitematic GUI 工具中觀察創(chuàng)建和運(yùn)行情況；
在沒(méi)有設(shè)置 start_urls 時(shí)，4個(gè) container 中的爬蟲都處于饑渴的等待狀態(tài)
現(xiàn)在給 redis 中放入 start_urls:
lpush itjuziCrawler:start_urls http://www./company
4個(gè)爬蟲都動(dòng)起來(lái)了，一直爬到start_urls為空
以上です！ありがとうございました！
|
