国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

scrapy_redis 和 docker 實(shí)現(xiàn)簡(jiǎn)單分布式爬蟲

shaonbean / 2555人閱讀

摘要：簡(jiǎn)介在使用爬取桔子公司信息，用來進(jìn)行分析，了解創(chuàng)業(yè)公司的一切情況，之前使用寫了一個(gè)默認(rèn)線程是的單個(gè)實(shí)例，為了防止被設(shè)置了下載的速度，萬多個(gè)公司信息爬了天多才完成，現(xiàn)在想到使用分布式爬蟲來提高效率。

簡(jiǎn)介

在使用 scrapy 爬取 IT桔子公司信息，用來進(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

分析頁面信息：
我需要獲取的是每一個(gè)「公司」的詳情頁面鏈接 和 分頁按鈕鏈接；

統(tǒng)一存儲(chǔ)獲取到的鏈接，提供給多個(gè) spider 爬取；

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 = ["itjuzi.com"]
    # start_urls = ["http://www.itjuzi.com/company/157"]
    redis_key = "itjuziCrawler:start_urls"
    rules = [
        # 獲取每一頁的鏈接
        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 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"

說明:

使用第2版本的 compose 描述語言

定義了 spider 和 redis 兩個(gè) service

spider默認(rèn)使用當(dāng)前目錄的 Dockerfile 來創(chuàng)建，redis使用 redis:latest 鏡像創(chuàng)建，并都映射6379端口

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.itjuzi.com/company

4個(gè)爬蟲都動(dòng)起來了，一直爬到start_urls為空

以上です！ありがとうございました！

文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請(qǐng)注明本文地址：http://specialneedsforspecialkids.com/yun/26671.html

相關(guān)文章

  • scrapy_redis 和 docker 實(shí)現(xiàn)簡(jiǎn)單分布式爬蟲

    摘要：簡(jiǎn)介在使用爬取桔子公司信息，用來進(jìn)行分析，了解創(chuàng)業(yè)公司的一切情況，之前使用寫了一個(gè)默認(rèn)線程是的單個(gè)實(shí)例，為了防止被設(shè)置了下載的速度，萬多個(gè)公司信息爬了天多才完成，現(xiàn)在想到使用分布式爬蟲來提高效率。 簡(jiǎn)介 在使用 scrapy 爬取 IT桔子公司信息，用來進(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...

    _DangJin 評(píng)論0 收藏0

  • Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---11、爬蟲框架的安裝：ScrapySplash、ScrapyRedi

    摘要：上一篇文章網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)爬蟲框架的安裝下一篇文章網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)部署相關(guān)庫的安裝的安裝是一個(gè)中支持渲染的工具，本節(jié)來介紹一下它的安裝方式。另外一個(gè)是的庫的安裝，安裝之后即可在中使用服務(wù)。 上一篇文章：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---10、爬蟲框架的安裝：PySpider、Scrapy下一篇文章：Python3網(wǎng)絡(luò)爬蟲實(shí)戰(zhàn)---12、部署相關(guān)庫的安裝：Docker、Scrapyd Scrap...

    harryhappy 評(píng)論0 收藏0

  • scrapy使用心得

    摘要：前言在公司一部分業(yè)務(wù)是爬蟲相關(guān)了，有涉及到登錄，驗(yàn)證碼，也有國外的大社交網(wǎng)站。雖然是，但是在爬取大量網(wǎng)站可能需要用分布式的爬蟲，當(dāng)然也有操作流程圖指定一個(gè)起始后，就可以根據(jù)以上原理圖進(jìn)行工作了。 前言 在公司一部分業(yè)務(wù)是爬蟲相關(guān)了，有涉及到登錄，驗(yàn)證碼，也有國外的4大社交網(wǎng)站。所以記錄下 scrapy 是什么 scrapy 是一個(gè)異步爬蟲框架，使用它，可以屏蔽很多復(fù)雜的底層設(shè)計(jì)，只需要...

    sourcenode 評(píng)論0 收藏0

  • scrapy-redis的布隆去重

    摘要：布隆去重的優(yōu)點(diǎn)和缺點(diǎn)優(yōu)點(diǎn)相比于其它的數(shù)據(jù)結(jié)構(gòu)，布隆過濾器在空間和時(shí)間方面都有巨大的優(yōu)勢(shì)。下載布隆過濾器文件，將其拷貝至包中。修改其函數(shù)按照分布式爬蟲部署步驟，繼續(xù)進(jìn)行即可使用布隆去重策略 scrapy-redis的布隆去重 - 為什么要使用布隆去重？ scrapy自帶去重機(jī)制，即將所需要爬取的網(wǎng)頁放在set中來達(dá)到去重的目的，但是在實(shí)際工作中，我們需要更新數(shù)據(jù)的時(shí)候往往不需要爬取已經(jīng)爬...

    jaysun 評(píng)論0 收藏0

發(fā)表評(píng)論

0條評(píng)論

最新活動(dòng)
閱讀需要支付1元查看
<