scrapy抓取拉勾网职位信息（七）—

scrapy抓取拉勾网职位信息（七）——实现分布式

上篇我们实现了数据的存储，包括把数据存储到MongoDB，Mysql以及本地文件，本篇说下分布式。

我们目前实现的是一个单机爬虫，也就是只在一个机器上运行，想象一下，如果同时有多台机器同时运行这个爬虫，并且把数据都存储到同一个数据库，那不是美滋滋，速度也得到了很大的提升。

要实现分布式，只需要对settings.py文件进行适当的配置就能完成。

文档时间：官方文档介绍如下：

Use the following settings in your project:

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

# Ensure all spiders share same duplicates filter through redis.
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# Default requests serializer is pickle, but it can be changed to any module
# with loads and dumps functions. Note that pickle is not compatible between
# python versions.
# Caveat: In python 3.x, the serializer must return strings keys and support
# bytes as values. Because of this reason the json or msgpack module will not
# work by default. In python 2.x there is no such issue and you can use
# 'json' or 'msgpack' as serializers.
#SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"

# Don't cleanup redis queues, allows to pause/resume crawls.
#SCHEDULER_PERSIST = True

# Schedule requests using a priority queue. (default)
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'

# Alternative queues.
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'

# Max idle time to prevent the spider from being closed when distributed crawling.
# This only works if queue class is SpiderQueue or SpiderStack,
# and may also block the same time when your spider start at the first time (because the queue is empty).
#SCHEDULER_IDLE_BEFORE_CLOSE = 10

# Store scraped item in redis for post-processing.
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300
}

# The item pipeline serializes and stores the items in this redis key.
#REDIS_ITEMS_KEY = '%(spider)s:items'

# The items serializer is by default ScrapyJSONEncoder. You can use any
# importable path to a callable object.
#REDIS_ITEMS_SERIALIZER = 'json.dumps'

# Specify the host and port to use when connecting to Redis (optional).
#REDIS_HOST = 'localhost'
#REDIS_PORT = 6379

# Specify the full Redis URL for connecting (optional).
# If set, this takes precedence over the REDIS_HOST and REDIS_PORT settings.
#REDIS_URL = 'redis://user:pass@hostname:9001'

# Custom redis client parameters (i.e.: socket timeout, etc.)
#REDIS_PARAMS  = {}
# Use custom redis client class.
#REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient'

# If True, it uses redis' ``spop`` operation. This could be useful if you
# want to avoid duplicates in your start urls list. In this cases, urls must
# be added via ``sadd`` command or you will get a type error from redis.
#REDIS_START_URLS_AS_SET = False

# Default start urls key for RedisSpider and RedisCrawlSpider.
#REDIS_START_URLS_KEY = '%(name)s:start_urls'

# Use other encoding than utf-8 for redis.
#REDIS_ENCODING = 'latin1'

写的很长对不对，完全不想看对不对，那我就直接把里面重点的一部分挑出来说下。

核心配置（要实现分布式，这个必须要设置）：

SCHEDULER = "scrapy_redis.scheduler.Scheduler"   #将调度器修改
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"  #去重过滤器修改

请求队列：

# Schedule requests using a priority queue. (default)
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue' #优先级队列，源码里面用分数来设置优先级，有兴趣可以看看

# Alternative queues.
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.FifoQueue'  #先进先出，也就是说先放进来的请求先取走
#SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.LifoQueue'  #先进后出，栈，也就是说后放进来的请求先取走

redis连接信息配置（必须要配置，如果有密码也要把密码写上）：

#REDIS_HOST = 'localhost'  #这个地址肯定是要换成服务器的地址的
#REDIS_PORT = 6379          #默认端口，当然你也可以自己改
#REDIS_PASSWORD = xxx      #这个就是redis数据库的密码啦

队列、指纹处理：

# Don't cleanup redis queues, allows to pause/resume crawls.
#SCHEDULER_PERSIST = True   #爬取完成保留队列、不进行清空，默认是不保留。当然如果是手动停止的话，里面没有请求过的还会继续保留，下次运行爬虫继续从里面拿请求

配置爬虫开始动作：

SCHEDULER_FLUSH_ON_START = True #是否在开始之前清空 调度器和去重记录，True=清空，False=不清空。分布式爬虫不建议设置该项

配置pipeline（数据量多的时候不建议从这个redis数据库存，redis基于内存，我们看重的是速度）：

ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300  #如果配置了该项，数据item就会存储到redis数据库
}

当然还有很多其他的配置，可以根据实际需要进行选择。

下面我们完成我们自己的设置，对settings.py文件修改如下（包括redis和mysql）

#The following is scrapy_redis settings

SCHEDULER = "scrapy_redis.scheduler.Scheduler"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

REDIS_HOST = '47.98.xx.xx'  #修改未自己的服务器redis地址
REDIS_PORT = 6379

SCHEDULER_PERSIST = True

#The following is mysql settings
MYSQL_HOST = '47.98.xx.xx' #修改为自己的mysql所在的服务器地址
MYSQL_DATABASE = 'lagou'   
MYSQL_USER = 'root'
MYSQL_PASSWORD = '@Fxxxxx'  #修改为自己的mysql的密码
MYSQL_PORT = 3306

把代码打包好上传到远程主机上（打包好后，直接拖动到xshell窗口里）

我这里打包成zip格式。建立好项目目录后，把这个zip文件拖进去。

解压

现在我们使用python main.py把这个远程主机上的爬虫给跑起来。（注意：远程主机需要安装python3环境，还有scrapy以及相关的包。）

运行本地爬虫，运行远程主机上的爬虫，这样分布式就完成了。

爬虫正常运行，而且数据都存在了远程服务器的mysql上。

同时redis上可以看到requests和du'pefilter指纹信息。

最终爬取的数据图片（总共存储了136页，每一页1000个数据）：