scrapy-redis是一个基于redis的scrapy组件，通过它可以快速实现简单分布式爬虫程序，该组件本质上提供了三大功能：
- scheduler - 调度器
- dupefilter - URL去重规则（被调度器使用）
- pipeline - 数据持久化
scrapy-redis组件
1. URL去重
a
a. 利用scrapy-redis做去重规则：
# ############ 连接redis 信息 #################
REDIS_HOST = ‘127.0.0.1‘ # 主机名
REDIS_PORT = 6379 # 端口
# REDIS_URL = ‘redis://user:[email protected]:9001‘ # 连接URL（优先于以上配置）
REDIS_PARAMS = {} # Redis连接参数 默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
# REDIS_PARAMS[‘redis_cls‘] = ‘myproject.RedisClient‘ # 指定连接Redis的Python模块 默认：redis.StrictRedis
REDIS_ENCODING = "utf-8"
# 自定义去重规则
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
如果想要对redis-scrapy的去重规则进行扩展：
可以自定义一个去重的类dup.pyfrom scrapy_redis.dupefilter import RFPDupeFilter
class MyRFPDupeFilter(RFPDupeFilter): #继承那个类然后写一些自己定义的方法
pass
# 在setting中选择自己自定义去重规则
DUPEFILTER_CLASS = "wenwen.dup.MyRFPDupeFilter"
源码解读
scrapy_redis中的dupefilter
使用scrapy-redis组件：
情况一：只用它的去重规则功能
配置：
# ############ 连接redis 信息 #################
REDIS_HOST = ‘127.0.0.1‘ # 主机名
REDIS_PORT = 6379 # 端口
# REDIS_URL = ‘redis://user:[email protected]:9001‘ # 连接URL（优先于以上配置）
REDIS_PARAMS = {} # Redis连接参数 默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
# REDIS_PARAMS[‘redis_cls‘] = ‘myproject.RedisClient‘ # 指定连接Redis的Python模块 默认：redis.StrictRedis
REDIS_ENCODING = "utf-8"
# 自定义去重规则 如果是自定义去重规则的话详见上文
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
情况二：只用它的调度器
# ############ 连接redis 信息 #################
REDIS_HOST = ‘127.0.0.1‘ # 主机名
REDIS_PORT = 6379 # 端口
# REDIS_URL = ‘redis://user:[email protected]:9001‘ # 连接URL（优先于以上配置）
REDIS_PARAMS = {} # Redis连接参数 默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
# REDIS_PARAMS[‘redis_cls‘] = ‘myproject.RedisClient‘ # 指定连接Redis的Python模块 默认：redis.StrictRedis
REDIS_ENCODING = "utf-8"
# 有引擎来执行：自定义调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.LifoQueue‘ # 默认使用优先级队列（默认广度优先），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
SCHEDULER_QUEUE_KEY = ‘%(spider)s:requests‘ # 调度器中请求存放在redis中的key
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat" # 对保存到redis中的数据进行序列化，默认使用pickle
SCHEDULER_PERSIST = True # 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_FLUSH_ON_START = False # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
# SCHEDULER_IDLE_BEFORE_CLOSE = 10 # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
SCHEDULER_DUPEFILTER_KEY = ‘%(spider)s:dupefilter‘ # 去重规则，在redis中保存时对应的key chouti:dupefilter
SCHEDULER_DUPEFILTER_CLASS = ‘scrapy.dupefilter.RFPDupeFilter‘ # 去重规则对应处理的类
#去重规则对应处理的类
DUPEFILTER_DEBUG = False
情况三：去重+调度去
# ############ 连接redis 信息 #################
REDIS_HOST = ‘127.0.0.1‘ # 主机名
REDIS_PORT = 6379 # 端口
# REDIS_URL = ‘redis://user:[email protected]:9001‘ # 连接URL（优先于以上配置）
REDIS_PARAMS = {} # Redis连接参数 默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
# REDIS_PARAMS[‘redis_cls‘] = ‘myproject.RedisClient‘ # 指定连接Redis的Python模块 默认：redis.StrictRedis
REDIS_ENCODING = "utf-8"
# 有引擎来执行：自定义调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.LifoQueue‘ # 默认使用优先级队列（默认广度优先），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
SCHEDULER_QUEUE_KEY = ‘%(spider)s:requests‘ # 调度器中请求存放在redis中的key
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat" # 对保存到redis中的数据进行序列化，默认使用pickle
SCHEDULER_PERSIST = True # 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_FLUSH_ON_START = False # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
# SCHEDULER_IDLE_BEFORE_CLOSE = 10 # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
SCHEDULER_DUPEFILTER_KEY = ‘%(spider)s:dupefilter‘ # 去重规则，在redis中保存时对应的key chouti:dupefilter
SCHEDULER_DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter‘ # 去重规则对应处理的类
DUPEFILTER_DEBUG = False
情况四：使用scrapy-redis内置的pipeline做持久化：就是将item对象保存到redis的列表中。
配置：
导入scrapy_redis的pipline 
#使用scrapy_pipeline的
#使用scrapy_pipeline的 ITEM_PIPELINES = {
‘scrapy_redis.pipelines.RedisPipeline‘: 300,
}
以上功能全部应用的配置：
# ############ 连接redis 信息 #################
REDIS_HOST = ‘127.0.0.1‘ # 主机名
REDIS_PORT = 6379 # 端口
# REDIS_URL = ‘redis://user:[email protected]:9001‘ # 连接URL（优先于以上配置）
REDIS_PARAMS = {} # Redis连接参数 默认：REDIS_PARAMS = {‘socket_timeout‘: 30,‘socket_connect_timeout‘: 30,‘retry_on_timeout‘: True,‘encoding‘: REDIS_ENCODING,}）
# REDIS_PARAMS[‘redis_cls‘] = ‘myproject.RedisClient‘ # 指定连接Redis的Python模块 默认：redis.StrictRedis
REDIS_ENCODING = "utf-8"
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
# 有引擎来执行：自定义调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_QUEUE_CLASS = ‘scrapy_redis.queue.LifoQueue‘ # 默认使用优先级队列（默认广度优先），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）
SCHEDULER_QUEUE_KEY = ‘%(spider)s:requests‘ # 调度器中请求存放在redis中的key
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat" # 对保存到redis中的数据进行序列化，默认使用pickle
SCHEDULER_PERSIST = True # 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_FLUSH_ON_START = False # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空
# SCHEDULER_IDLE_BEFORE_CLOSE = 10 # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。
SCHEDULER_DUPEFILTER_KEY = ‘%(spider)s:dupefilter‘ # 去重规则，在redis中保存时对应的key chouti:dupefilter
SCHEDULER_DUPEFILTER_CLASS = ‘scrapy_redis.dupefilter.RFPDupeFilter‘ # 去重规则对应处理的类
DUPEFILTER_DEBUG = False
# 深度和优先级相关
DEPTH_PRIORITY = 1
情况五：让scrapy-redis的起始URL不再通过start_reuqests执行，而是去redis中获取。
配置：
REDIS_START_URLS_BATCH_SIZE = 1
# REDIS_START_URLS_AS_SET = True # 把起始url放到redis的集合
REDIS_START_URLS_AS_SET = False # 把起始url放到redis的列表
爬虫：
from scrapy_redis.spiders import RedisSpider
from scrapy.http import Request
from ..items import WenwenItem
class ChoutiSpider(RedisSpider):
name = ‘chouti‘
allowed_domains = [‘chouti.com‘]
def parse(self, response):
# 随着深度的增加、优先级一直在递减
print(response)
放置起始URL：
import redis
conn = redis.Redis(host=‘127.0.0.1‘,port=6379)
# 起始url的Key： chouti:start_urls
conn.lpush("chouti:start_urls",‘https://dig.chouti.com/r/ask/hot/12‘)
如果想要自定义去重规则 或者扩展
redis知识补充
博客
自定义调度器
位置
自定义序列化股则（用于处理特殊类型的数据， 如datatime类型）
原文地址：https://www.cnblogs.com/wangkun122/p/9043151.html
时间： 2024-03-06 07:59:22