Python 爬虫入门（十一）：Scrapy高级应用之并发与分布式「详细介绍」

前言

• 欢迎来到“Python 爬虫入门”系列文章。在前面的文章中，我们已经学习了如何使用 Scrapy 来构建基本的爬虫项目。本篇文章将深入探讨 Scrapy 的高级应用，特别是如何实现并发爬取和分布式爬取。

• 并发爬取和分布式爬取是提升爬虫效率的两大关键技术。并发爬取允许我们同时发出多个请求，大幅提高爬取速度；分布式爬取则让我们能够将爬取任务分散到多个机器上执行，从而处理大规模数据的抓取任务。

1. 并发爬取

1.1 并发爬取的基本概念

并发爬取是指同时发出多个 HTTP 请求，以提高数据抓取的效率。

在 Scrapy 中，并发爬取的实现非常简单，主要通过调整配置项来控制并发请求的数量。

1.2 Scrapy 中的并发配置

在 Scrapy 中，可以通过修改 settings.py 文件中的配置项来实现并发爬取。

以下是一些常用的配置项：

• CONCURRENT_REQUESTS: 控制 Scrapy 同时处理的最大并发请求数。默认值是 16。
• CONCURRENT_REQUESTS_PER_DOMAIN: 控制 Scrapy 同时处理的每个域名的最大并发请求数。默认值是 8。
• CONCURRENT_REQUESTS_PER_IP: 控制 Scrapy 同时处理的每个 IP 的最大并发请求数。默认值是 0（表示不限制）。

示例配置：

# settings.pyCONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 16
CONCURRENT_REQUESTS_PER_IP = 16

1.3 示例项目：抓取 JSONPlaceholder 的数据

接下来，我们将创建一个 Scrapy 项目，从 JSONPlaceholder 抓取用户数据，并实现并发爬取。

首先，创建 Scrapy 项目：

scrapy startproject jsonplaceholder
cd jsonplaceholder

创建爬虫：

scrapy genspider users jsonplaceholder.typicode.com

修改爬虫文件 users.py：

import scrapyclass UsersSpider(scrapy.Spider):name = 'users'allowed_domains = ['jsonplaceholder.typicode.com']start_urls = ['https://jsonplaceholder.typicode.com/users']def parse(self, response):users = response.json()for user in users:yield {'id': user['id'],'name': user['name'],'username': user['username'],'email': user['email'],'address': user['address'],'phone': user['phone'],'website': user['website'],'company': user['company'],}

配置并发设置：

# settings.pyCONCURRENT_REQUESTS = 32
CONCURRENT_REQUESTS_PER_DOMAIN = 16
CONCURRENT_REQUESTS_PER_IP = 16

运行爬虫：

scrapy crawl users

以上配置将允许 Scrapy 同时发出最多 32 个请求，每个域名和每个 IP 的最大并发请求数分别为 16。

2. 分布式爬取

2.1 分布式爬取的基本概念

分布式爬取是指将爬取任务分布到多个机器上执行，从而提升数据抓取的效率和规模。

在 Scrapy 中，分布式爬取通常通过结合分布式任务队列（如 Redis）来实现。

2.2 Scrapy-Redis 的安装与配置

Scrapy-Redis 是一个用于将 Scrapy 爬虫转换为分布式爬虫的扩展。
通过 Scrapy-Redis，我们可以将请求队列和抓取结果存储在 Redis 中，从而实现分布式爬取。

安装 Scrapy-Redis：

pip install scrapy-redis

2.3 修改爬虫实现分布式爬取

修改 settings.py 文件：

# settings.py# 使用 Scrapy-Redis 的调度器和去重类
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"# Redis 连接配置
REDIS_URL = 'redis://localhost:6379'# 爬取过程中可以暂停和恢复
SCHEDULER_PERSIST = True# 使用 Scrapy-Redis 的 item pipeline
ITEM_PIPELINES = {'scrapy_redis.pipelines.RedisPipeline': 300,
}

修改爬虫文件 users.py：

import scrapy
from scrapy_redis.spiders import RedisSpiderclass UsersSpider(RedisSpider):name = 'users'allowed_domains = ['jsonplaceholder.typicode.com']redis_key = 'users:start_urls'def parse(self, response):users = response.json()for user in users:yield {'id': user['id'],'name': user['name'],'username': user['username'],'email': user['email'],'address': user['address'],'phone': user['phone'],'website': user['website'],'company': user['company'],}

在 Redis 中添加初始 URL：

redis-cli lpush users:start_urls https://jsonplaceholder.typicode.com/users

运行爬虫：

scrapy crawl users

通过上述配置和修改，我们将爬虫转换为了分布式爬虫，可以在多个机器上同时运行爬虫，并将抓取结果存储在 Redis 中。

3. 并发与分布式爬取的最佳实践

3.1 优化并发性能

• 合理设置并发请求数：根据目标网站的性能和带宽，合理设置并发请求数，避免过度请求导致目标网站崩溃。
• 使用下载延迟：适当设置下载延迟，防止请求过于频繁导致被目标网站封禁。

示例配置：

# settings.pyDOWNLOAD_DELAY = 0.5  # 每个请求之间的延迟时间（秒）
RANDOMIZE_DOWNLOAD_DELAY = True  # 随机化下载延迟

3.2 分布式爬取中的常见问题

• 去重策略：在分布式爬取中，确保每个 URL 仅被抓取一次，可以通过 Redis 的去重机制实现。
• 任务调度：合理调度分布式爬取任务，确保每个节点的任务负载均衡。

3.3 监控和调试

• 监控爬虫状态：使用 Scrapy 的日志和统计功能，监控爬虫的运行状态和抓取效率。
• 调试爬虫：使用 Scrapy 的 Shell 和调试工具，实时调试爬虫的抓取逻辑和数据解析。

4. 示例项目：分布式抓取 JSONPlaceholder 的所有数据

在本节中，我们将构建一个分布式爬虫项目，从 JSONPlaceholder 抓取所有数据，包括用户、帖子、评论、相册、照片和待办事项。

创建爬虫：

scrapy genspider all_data jsonplaceholder.typicode.com

修改爬虫文件 all_data.py：

import scrapy
from scrapy_redis.spiders import RedisSpiderclass AllDataSpider(RedisSpider):name = 'all_data'allowed_domains = ['jsonplaceholder.typicode.com']redis_key = 'all_data:start_urls'def parse(self, response):# 解析用户数据if 'users' in response.url:users = response.json()for user in users:yield {'id': user['id'],'name': user['name'],'username': user['username'],'email': user['email'],'address': user['address'],'phone': user['phone'],'website': user['website'],'company': user['company'],}# 解析帖子数据elif 'posts' in response.url:posts = response.json()for post in posts:yield {'id': post['id'],'userId': post['userId'],'title': post['title'],'body': post['body'],}# 解析评论数据elif 'comments' in response.url:comments = response.json()for comment in comments:yield {'id': comment['id'],'postId': comment['postId'],'name': comment['name'],'email': comment['email'],'body': comment['body'],}# 解析相册数据elif 'albums' in response.url:albums = response.json()for album in albums:yield {'id': album['id'],'userId': album['userId'],'title': album['title'],}# 解析照片数据elif 'photos' in response.url:photos = response.json()for photo in photos:yield {'id': photo['id'],'albumId': photo['albumId'],'title': photo['title'],'url': photo['url'],'thumbnailUrl': photo['thumbnailUrl'],}# 解析待办事项数据elif 'todos' in response.url:todos = response.json()for todo in todos:yield {'id': todo['id'],'userId': todo['userId'],'title': todo['title'],'completed': todo['completed'],}def start_requests(self):urls = ['https://jsonplaceholder.typicode.com/users','https://jsonplaceholder.typicode.com/posts','https://jsonplaceholder.typicode.com/comments','https://jsonplaceholder.typicode.com/albums','https://jsonplaceholder.typicode.com/photos','https://jsonplaceholder.typicode.com/todos']for url in urls:yield scrapy.Request(url=url, callback=self.parse)# 解析相册数据elif 'albums' in response.url:albums = response.json()for album in albums:yield {'id': album['id'],'userId': album['userId'],'title': album['title'],}# 解析照片数据elif 'photos' in response.url:photos = response.json()for photo in photos:yield {'id': photo['id'],'albumId': photo['albumId'],'title': photo['title'],'url': photo['url'],'thumbnailUrl': photo['thumbnailUrl'],}# 解析待办事项数据elif 'todos' in response.url:todos = response.json()for todo in todos:yield {'id': todo['id'],'userId': todo['userId'],'title': todo['title'],'completed': todo['completed'],}def start_requests(self):urls = ['https://jsonplaceholder.typicode.com/users','https://jsonplaceholder.typicode.com/posts','https://jsonplaceholder.typicode.com/comments','https://jsonplaceholder.typicode.com/albums','https://jsonplaceholder.typicode.com/photos','https://jsonplaceholder.typicode.com/todos']for url in urls:yield scrapy.Request(url=url, callback=self.parse)

总结

通过本文的学习，相信小伙伴们能够掌握 Scrapy 中并发爬取和分布式爬取的核心技术，并能够在实际项目中应用这些技术来提升数据抓取的效率。