分布式爬取链家网二手房信息

任务目标：以分布式的方式爬取链家网上二手房信息，包括标题、城市、行政区、总价、户型、面积、朝向等信息

分布式爬虫，即在多台电脑上同时执行同一个爬虫任务，在分布式爬取之前，需要先完成单机爬虫，然后部署到多台机器上，完成分布式。

链家网单机爬虫：从城市页面开始爬取，到每个城市的不同行政区，以及每个行政区的多个页面，每个页面的多个二手房信息，到最后的二手房详情页面。
经过相应的网页结构分析，得到项目(项目名lianjia、爬虫名lj)结构及最终代码如下：

项目结构：

items.py

import scrapy


class LianjiaItem(scrapy.Item):
    title = scrapy.Field()
    city = scrapy.Field()
    # 行政区
    region = scrapy.Field()
    total_price = scrapy.Field()
    unit_price = scrapy.Field()
    # 户型
    house_type = scrapy.Field()
    # 朝向
    orientation = scrapy.Field()
    full_area = scrapy.Field()
    inside_area = scrapy.Field()
    # 建筑类型
    building_type = scrapy.Field()

pipelines.py

import json


class LianjiaPipeline:

    def __init__(self):
        self.fp = open('houses.txt', 'w', encoding='utf-8')

    def process_item(self, item, spider):
        self.fp.write(json.dumps(dict(item), ensure_ascii=False) + '
')
        return item

    def close_spider(self, spider):
        self.fp.close()

由于最终要实现分布式爬取，数据是存储在redis数据库中，这里先用txt文件暂存数据，用以测试代码

settings.py

BOT_NAME = 'lianjia'

SPIDER_MODULES = ['lianjia.spiders']
NEWSPIDER_MODULE = 'lianjia.spiders'

ROBOTSTXT_OBEY = False
CONCURRENT_REQUESTS = 5
DOWNLOAD_DELAY = 0.2
DEFAULT_REQUEST_HEADERS = {
  'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
  'Accept-Language': 'en',
  'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.121 Safari/537.36'
}
ITEM_PIPELINES = {
   'lianjia.pipelines.LianjiaPipeline': 300,
}

lj.py

import scrapy
from ..items import LianjiaItem


class LjSpider(scrapy.Spider):
    name = 'lj'
    allowed_domains = ['lianjia.com']
    start_urls = ['https://www.lianjia.com/city/']

    def parse(self, response):
        city_li_list = response.xpath('//div[@class="city_list_section"]//li[@class="city_list_li'
                                      ' city_list_li_selected"]//div[@class="city_list"]//ul//li')
        for city_li in city_li_list:
            city = city_li.xpath('.//text()').get()
            city_url = city_li.xpath('.//a/@href').get()
            yield scrapy.Request(url=city_url + 'ershoufang', callback=self.parse_house_region, meta={'city': city})

    def parse_house_region(self, response):
        position_list = response.xpath('//div[@class="position"]//div[@data-role="ershoufang"]/div//a')
        for position in position_list:
            position_url = response.urljoin(position.xpath('.//@href').get())
            yield scrapy.Request(url=position_url, callback=self.parse_house_list, meta=response.meta)

    def parse_house_list(self, response):
        house_url_list = response.xpath('//ul[@class="sellListContent"]//li/a/@href').getall()
        for house_url in house_url_list:
            yield scrapy.Request(url=house_url, callback=self.parse_house_detail, meta=response.meta)
        # 翻页 todo

    def parse_house_detail(self, response):
        item = LianjiaItem()
        item['title'] = response.xpath('//div[@class="sellDetailHeader"]//div[@class="title"]/h1/text()').get()
        item['city'] = response.meta['city']
        item['region'] = ''.join(response.xpath('//div[@class="areaName"]//span[@class="info"]//text()').getall()).strip()
        item['total_price'] = response.xpath('//span[@class="total"]/text()').get() + '万'
        item['unit_price'] = response.xpath('//span[@class="unitPriceValue"]/text()').get() + '元/平米'
        house_base_info = response.xpath('//div[@class="base"]//div[@class="content"]/ul//li')
        item['house_type'] = house_base_info[0].xpath('./text()').get()
        item['orientation'] = house_base_info[6].xpath('./text()').get()
        item['full_area'] = house_base_info[2].xpath('./text()').get()
        item['inside_area'] = house_base_info[4].xpath('./text()').get()
        item['building_type'] = response.xpath('//div[@class="area"]//div[@class="subInfo"]/text()').get()
        yield item

lianjia_main.py

from scrapy import cmdline

cmdline.execute('scrapy crawl lj'.split(' '))

运行lianjia_main.py后发现，可以正常抓取到数据保存到houses.txt中：

接下来需实现分布式：
scrapy本身是不支持分布式的，此时需要用到scrapy_redis组件， pip install scrapy_redis 即可安装使用
分布式爬虫中需指定一台机器为Redis服务器，可以用来管理爬虫服务器请求的URL并去重，还可以用来存储爬虫服务器爬取的数据；
需指定若干台机器为爬虫服务器，用来执行爬虫任务，从Redis服务器获取请求，并把爬取下来的数据发送给Redis服务器。

分布式爬虫的部署准备：

说明：由于我只有一台机器，系统为windows7，为了模拟分布式的部署，我使用了VMware Workstation虚拟机，里面有两个Ubuntu18，一台作为Redis服务器，ip为192.168.1.103；一台作为爬虫服务器，ip为192.168.1.105，配合本机windows7一同爬取。

  1. 爬虫服务器端安装scrapyd： pip3 install scrapyd

    由于我已安装过，这里没有再次安装。

  2. 从 '/usr/local/lib/python3.6/dist-packages/scrapyd' 下拷贝出 'default_scrapyd.conf' 放到 '/etc/scrapyd/scrapyd.conf'

    若提示没有文件夹，则新建对应的路径即可

  3. 修改 '/etc/scrapyd/scrapyd.conf' 中的 'bind_address' 为自己的IP（或改为 0.0.0.0 表示允许任意机器访问）

  4. 在开发机（自己的windows电脑）上安装scrapyd-client: pip install scrapyd-client

  5. 安装scrapyd-client后有一个bug，无法直接使用命令scrapyd-deploy，解决办法为：
    进入安装python的文件夹下（配置python环境变量的那个），进入Scripts文件夹下，可以看到有个scrapyd-deploy，在此文件夹下新建文件scrapyd-deploy.bat，编辑内容为

@echo off
C:Python37-32python.exe C:Python37-32Scriptsscrapyd-deploy %*

路径根据实际情况更改，随后进入命令行敲入scrapyd-deploy -h，若出现相关提示信息即表示成功

  1. 修改项目中的 scrapy.cfg
[settings]
default = lianjia.settings

[deploy]
url = http://192.168.1.105:6800/
project = lianjia

192.168.1.105 为我要部署该项目的爬虫服务器的IP

  1. 在项目所在路径下执行部署命令，将项目部署到cfg文件所配置的爬虫服务器： scrapyd-deploy default -p lianjia
  2. 通过curl命令（需下载并配置环境变量）启动爬虫，格式如下： curl http://localhost:6800/schedule.json -d project=myproject -d spider=somespider

分布式爬虫的部署：

  1. 首先需要待部署的服务器开启scrapyd服务，这里我在 /srv 文件夹下新建文件夹lj，用来保存部署相关信息，在lj文件夹下输入scrapyd，回车，即可开启该服务

    可以看到scrapyd服务的相关信息，在浏览器中输入 http://192.168.1.105:6800 出现如下页面，表示服务开启成功

  2. 在项目所在路径下执行部署命令: scrapyd-deploy

    可以看到，部署成功

  3. 部署成功后就可以运行爬虫了： curl http://192.168.1.105:6800/schedule.json -d project=lianjia -d spider=lj

    打开 http://192.168.1.105:6800 ，点击jobs，可以看到爬虫正在运行，点击log，可以查看日志输出

  4. 此时分布式爬虫并未部署，因为Redis服务器还没有配置，先关闭之前运行的爬虫：curl http://192.168.1.105:6800/cancel.json -d project=lianjia -d job=716c852824cc11ebbc7a000c297c8a13

  5. 选择ip为192.168.1.103的Ubuntu18为Redis服务器，安装redis：sudo apt install redis-server，然后修改配置文件 '/etc/redis/redis.conf'，取消bind注释，修改为本机IP 102.168.1.103 或修改为 0.0.0.0，重启服务 sudo service redis-server restart

  6. 修改爬虫代码lj.py，使用scrapy_redis.spiders.RedisSpider替代原来的scrapy.Spider，或使用scrapy_redis.spiders.RedisCrawlSpider替代CrawlSpider，删除start_urls并设置redis_key，这个redis_key是后面控制redis启动爬虫用的，爬虫的第一个url，就是redis通过这个key发送出去的

import scrapy
from ..items import LianjiaItem
from scrapy_redis.spiders import RedisSpider


class LjSpider(RedisSpider):
    name = 'lj'
    allowed_domains = ['lianjia.com']
    # start_urls = ['https://www.lianjia.com/city/']
    redis_key = 'lj'

    def parse(self, response):
        ......
  1. 在settings.py中对scrapy_redis进行相关配置
    删除原来的pipeline配置并进行如下配置
# 确保request存储到redis中
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
# 确保所有爬虫共享相同的去重指纹
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 设置redis为item pipeline
ITEM_PIPELINES = {
   'scrapy_redis.pipelines.RedisPipeline': 300,
}
# 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空
SCHEDULER_PERSIST = True
REDIS_HOST = '192.168.1.103'
REDIS_PORT = 6379
  1. 重新部署项目并运行： 首先将项目重新部署到192.168.1.105的爬虫服务器上并运行，然后在本地windows上也运行该项目，查看日志，可以看到，两个爬虫项目都没有开始爬取数据，而是等待Redis服务器的调度开始

  1. 进入Redis服务器，推入一个开始的url链接： redis-cli>lpush [redis_key] start_url 开始爬取

可以看到，两个爬虫服务器同时开始爬取数据了，实现了分布式的爬取

  1. 查看redis服务器内的数据：

可以看到，有三种key：lj:requests、lj:dupefilter、lj:items，分别表示请求信息、去重过滤信息、爬取的数据信息
查看 lj:items 可以看到，里面已经存储了爬取到的数据，至此，分布式爬取链家网二手房数据的项目完成。

本文完

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/achangblog/p/13965644.html