将 [CrawSpider](https://www.kancloud.cn/king_om/py_1/2229599) 改写成分布式爬虫。
<br/>
步骤如下:
**1. 先创建普通的CrawSpider**
```
# scrapy genspider -t crawl <爬虫名称> <域名>
> scrapy genspider -t crawl ct_liks www.wxapp-union.com
```
<br/>
**2. 将普通的CrawlSpider改写成分布式的**
```python
"""
ct_liks.py 文件名
"""
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
# 1. 导入RedisCrawlSpider
from scrapy_redis.spiders import RedisCrawlSpider
# 2. 继承 RedisCrawlSpider
# class CtLiksSpider(CrawlSpider):
class CtLiksSpider(RedisCrawlSpider):
name = 'ct_liks'
# 3. 注销allowed_domains 和 start_urls
# allowed_domains = ['www.wxapp-union.com']
# start_urls = ['http://www.wxapp-union.com/']
# 4. 添加redis_key
redis_key = "ct_start_url"
rules = (
Rule(LinkExtractor(allow=r'www.wxapp-union.com/article-\d+-1.html'), callback='parse_item')
)
# 5. 在 __init__中定义allowed_domains
def __init__(self, *args, **kwargs):
domain = kwargs.pop('domain', '')
# 多个允许的域采用 , 分割
self.allowed_domains = list(filter(None, domain.split(',')))
super(CtLiksSpider, self).__init__(*args, **kwargs)
def parse_item(self, response):
title = response.xpath("//title").extract_first()
print(title)
```
<br/>
**3. ` settings.py`中设置分布式相关配置**
```python
###### 添加如下配置 #########
# 设置重复过滤器的模块
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 设置调度器,调度器具备与redis数据库交互的功能
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 设置当爬虫结束时是否保持redis数据库中的去重集合与任务对象
# True: 保持
# False: 不保持,任务结束就会清空数据库
SCHEDULER_PERSIST = True
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderPriorityQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderQueue"
#SCHEDULER_QUEUE_CLASS = "scrapy_redis.queue.SpiderStack"
ITEM_PIPELINES = {
'example.pipelines.ExamplePipeline': 300,
# 当开启该管道,该管道将会自动把数据存储到redis数据库中
'scrapy_redis.pipelines.RedisPipeline': 400,
}
# 设置redis数据库
REDIS_URL = "redis://localhost:6379"
# 或者采用下面这种方式设置
# REDIS_HOST = 'localhost'
# REDIS_PORT = 6379
LOG_LEVEL = 'DEBUG'
# Introduce an artifical delay to make use of parallelism. to speed up the
# crawl.
DOWNLOAD_DELAY = 1
```
<br/>
**4. 启动爬虫**
```shell
# domain用 , 分割
> scrapy runspider ct_liks.py domain='www.baidu.com,taobao.com'
```
<br/>
**5. 往Redis数据库中放入 `start_urls`**
```shell
> lpush ct_start_url http://www.wxapp-union.com/
```
当爬虫根据 `redis_key` 读取到 `start_urls`后就开启工作了。
- 爬虫基本概念
- 爬虫介绍
- 通用爬虫与聚焦爬虫
- 通用爬虫
- 聚焦爬虫
- HTTP与HTTPS协议
- HTTP协议简介
- HTTP的请求与响应
- 客户端HTTP请求
- 服务端HTTP响应
- requests库
- requests库简介
- requests简单使用
- 发送带header的请求
- 发送带参数的请求
- 案例:下载百度贴吧页面
- 发送POST请求
- 使用代理
- 为什么要使用代理?
- 正反向代理
- 代理服务器分类
- 使用代理
- cookie和session
- cookie和session的区别
- 爬虫处理cookie和session
- 使用session登录网站
- 使用cookie登录网站
- cookiejar
- 超时和重试
- verify参数忽略CA证书
- URL地址的解码和编码
- 数据处理
- json数据处理
- json数据处理方案
- json模块处理json数据
- jsonpath处理json数据
- 正则表达式
- lxml
- xpath与lxml介绍
- xpathhelper插件
- 案例
- Beautiful Soup
- Beautiful Soup介绍
- 解析器
- CSS选择器
- 案例
- 四大对象
- 爬虫与反爬虫
- 爬虫与反爬虫的斗争
- 服务器反爬的原因
- 什么样的爬虫会被反爬
- 反爬领域常见概念
- 反爬的三个方向
- 基于身份识别进行反爬
- 基于爬虫行为进行反爬
- 基于数据加密进行反爬
- js解析
- chrome浏览器使用
- 定位js
- 设置断点
- js2py
- hashlib
- 有道翻译案例
- 动态爬取HTML
- 动态HTML
- 获取Ajax数据的方式
- selenium+driver
- driver定位
- 表单元素操作
- 行为链
- cookie操作
- 页面等待
- 多窗口与页面切换
- 配置对象
- 拉勾网案例
- 图片验证码识别
- 图形验证码识别技术简介
- Tesseract
- pytesseract处理图形验证码
- 打码平台
- 登录打码平台
- 验证码种类
- 多任务-线程
- 继承Thread创建线程
- 查看线程数量
- 资源共享
- 互斥锁
- 死锁
- 避免死锁
- Queue线程
- 多线程爬虫
- 多任务-进程
- 创建进程
- 进程池
- 进程间的通信
- Python GIL
- scrapy框架
- scrapy是什么?
- scrapy爬虫流程
- 创建scrapy项目
- Selector选择器
- logging
- scrapy shell
- 保存数据
- Item数据建模
- 翻页请求
- Request
- CrawlSpider
- settings
- 模拟登录
- 保存文件
- 内置Pipeline
- 自定义Pipeline
- 中间件
- selenium动态加载
- 防止反爬
- 随机User-Agent
- 随机IP代理
- settings中的参数
- 随机延迟
- request.meta常用参数
- 分布式爬虫
- 分布式原理
- scrapy_redis
- 去重问题
- 分布式爬虫编写流程
- CrawSpider改写成分布式
- scrapy_splash
- scrapy_splash是什么?
- scrapy_splash环境搭建
- APP抓取
- Android模拟器
- appium
- appium是什么?
- appium环境搭建
- appium环境联调测试
- appium的使用
- 演示项目-抓取抖音app
- 抖音app与appium的联调测试
- 元素定位
- 抖音appium代码
- 抓包软件
- url去重处理