原來scrapy的Scheduler維護的是本機的任務隊列（存放Request對象及其回調函數等信息）+本機的去重隊列（存放訪問過的url地址）

所以實現分布式爬取的關鍵就是，找一臺專門的主機上運行一個共享的隊列比如Redis，
然後重寫Scrapy的Scheduler，讓新的Scheduler到共享隊列存取Request，並且去除重復的Request請求，所以總結下來，實現分布式的關鍵就是三點：
#1、共享隊列
#2、重寫Scheduler，讓其無論是去重還是任務都去訪問共享隊列
#3、為Scheduler定制去重規則（利用redis的集合類型）
！！核心功能

#安裝：
pip3 install scrapy-redis

scrapy-redis組件

# 源碼分析
#一、源碼：D:\python3.6\Lib\site-packages\scrapy_redis\dupefilter.py



#二、配置scrapy使用redis提供的共享去重隊列

#2.1 在settings.py中配置鏈接Redis
REDIS_HOST = ‘localhost‘                            # 主機名
REDIS_PORT = 6379                                   # 端口
REDIS_URL = ‘redis://user:pass@hostname:9001
 
‘       # 連接URL（優先於以上配置）
REDIS_PARAMS  = {}                                  # Redis連接參數
REDIS_PARAMS[‘redis_cls‘] = ‘myproject.RedisClient‘ # 指定連接Redis的Python模塊
REDIS_ENCODING = "utf-8"                            # redis編碼類型  
# 默認配置：D:\python3.6\Lib\site-packages\scrapy_redis\defaults.py


#2.2 讓scrapy使用共享的去重隊列
 

DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#使用scrapy-redis提供的去重功能，查看源碼會發現是基於Redis的集合實現的


#2.3、需要指定Redis中集合的key名，key=存放不重復Request字符串的集合
DUPEFILTER_KEY = ‘dupefilter:%(timestamp)s‘
#源碼：dupefilter.py內一行代碼key = defaults.DUPEFILTER_KEY % {‘timestamp‘: int(time.time())}


#2.4、去重規則源碼分析dupefilter.py
def request_seen(self, request):
    """Returns True if request was already seen.

    Parameters
    ----------
    request : scrapy.http.Request

    Returns
    -------
    bool

    """
    fp = self.request_fingerprint(request) 
    # This returns the number of values added, zero if already exists.
    added = self.server.sadd(self.key, fp)
    return added == 0


#2.5、將request請求轉成一串字符後再存入集合

from scrapy.http import Request
from scrapy.utils.request import request_fingerprint

req = Request(url=‘http://www.baidu.com‘)
result=request_fingerprint(req)
print(result) #75d6587d87b3f4f3aa574b33dbd69ceeb9eafe7b


#2.6、註意：
    - URL參數位置不同時，計算結果一致；
    - 默認請求頭不在計算範圍，include_headers可以設置指定請求頭
    - 示範：
    from scrapy.utils import request
    from scrapy.http import Request
     
    req = Request(url=‘http://www.baidu.com?name=8&id=1‘,callback=lambda x:print(x),cookies={‘k1‘:‘vvvvv‘})
    result1 = request.request_fingerprint(req,include_headers=[‘cookies‘,])
     
    print(result)
     
    req = Request(url=‘http://www.baidu.com?id=1&name=8‘,callback=lambda x:print(x),cookies={‘k1‘:666})
     
    result2 = request.request_fingerprint(req,include_headers=[‘cookies‘,])
     
    print(result1 == result2) #True

使用共享去重隊列+源碼分析

使用scrapy-redis的去重+調度實現分布式爬取

#1、源碼：D:\python3.6\Lib\site-packages\scrapy_redis\scheduler.py


#2、settings.py配置

# Enables scheduling storing requests queue in redis.
SCHEDULER = "scrapy_redis.scheduler.Scheduler"       

# 調度器將不重復的任務用pickle序列化後放入共享任務隊列，默認使用優先級隊列（默認），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）               
SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.PriorityQueue‘          

# 對保存到redis中的request對象進行序列化，默認使用pickle
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"   

# 調度器中請求任務序列化後存放在redis中的key               
SCHEDULER_QUEUE_KEY = ‘%(spider)s:requests‘    

# 是否在關閉時候保留原來的調度器和去重記錄，True=保留，False=清空                     
SCHEDULER_PERSIST = True       

# 是否在開始之前清空 調度器和去重記錄，True=清空，False=不清空                                     
SCHEDULER_FLUSH_ON_START = False    

# 去調度器中獲取數據時，如果為空，最多等待時間（最後沒數據，未獲取到）。如果沒有則立刻返回會造成空循環次數過多，cpu占用率飆升                                
SCHEDULER_IDLE_BEFORE_CLOSE = 10           

# 去重規則，在redis中保存時對應的key                         
SCHEDULER_DUPEFILTER_KEY = ‘%(spider)s:dupefilter‘      

# 去重規則對應處理的類，將任務request_fingerprint(request)得到的字符串放入去重隊列            
SCHEDULER_DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter‘

持久化

#從目標站點獲取並解析出數據後保存成item對象，會由引擎交給pipeline進行持久化/保存到數據庫,scrapy-redis提供了一個pipeline組件，可以幫我們把item存到redis中
     
#1、將item持久化到redis時，指定key和序列化函數 
REDIS_ITEMS_KEY = ‘%(spider)s:items‘
REDIS_ITEMS_SERIALIZER = ‘json.dumps‘
 
#2、使用列表保存item數據

從Redis中獲取起始URL

scrapy程序爬取目標站點，一旦爬取完畢後就結束了，如果目標站點更新內容了，我們想重新爬取，那麽只能再重新啟動scrapy，非常麻煩
scrapy-redis提供了一種供，讓scrapy從redis中獲取起始url，如果沒有scrapy則過一段時間再來取而不會關閉
這樣我們就只需要寫一個簡單的腳本程序，定期往redis隊列裏放入一個起始url。

#具體配置如下

#1、編寫爬蟲時，起始URL從redis的Key中獲取
REDIS_START_URLS_KEY = ‘%(name)s:start_urls‘
    
#2、獲取起始URL時，去集合中獲取還是去列表中獲取？True，集合；False，列表
REDIS_START_URLS_AS_SET = False    # 獲取起始URL時，如果為True，則使用self.server.spop；如果為False，則使用self.server.lpop

# 完全復制粘貼過來的博客

打造分布式爬蟲