python scrapy-redis分布式爬虫

Scrapy-Redis是一个基于Scrapy框架的分布式爬虫解决方案，它使用Redis作为分布式队列和去重集合，实现了多个爬虫节点共享一个Redis队列和去重集合，从而实现了高效的分布式爬取。

使用Scrapy-Redis，你可以很容易地将一个单机版的Scrapy爬虫转换成一个分布式爬虫。下面是简单的步骤：

1. 安装Redis和Scrapy-Redis

首先需要安装Redis，并且确保Redis服务正常运行。另外，需要安装Scrapy-Redis库，可以通过pip命令来进行安装：

pip install scrapy-redis

2. 修改爬虫设置

在Scrapy爬虫的settings.py文件中，需要添加如下配置：

# 启用Redis调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

# 启用Redis去重过滤器
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# 设置Redis为调度器和去重过滤器的数据存储位置
REDIS_URL = 'redis://localhost:6379'

3. 修改爬虫代码

在Scrapy爬虫的代码中，需要将原来的start_urls修改为redis_key，例如：

class MySpider(RedisSpider):
    name = 'myspider'
    redis_key = 'myspider:start_urls'

另外，需要将原来的parse方法改为如下形式：

def parse(self, response):
    # 爬虫代码
    yield scrapy.Request(url, callback=self.parse_item)

4. 运行爬虫

在启动爬虫之前，需要先往Redis队列中添加起始URL，例如：

redis-cli lpush myspider:start_urls http://www.example.com

然后在命令行中启动分布式爬虫，例如：

scrapy crawl myspider

这样就可以启动一个分布式的Scrapy爬虫了。在多个爬虫节点共享同一个Redis队列和去重集合的情况下，可以大大提高爬取效率和速度。