Python爬虫之Scrapy框架系列（25）——分布式爬虫scrapy_redis完整实战【ZH小说爬取】

news/2024/7/19 9:13:34 标签: python, 爬虫, scrapy, scrapy_redis, 分布式爬虫, 实战

本篇文章要做的是：将之前做的使用Scrapy中Crawl模板爬取纵横小说的项目改编为使用Scrapy_redis的项目！！！

目录：

  • 每篇前言：
  • 1.首先，将之前的项目改为单个的使用scrapy\_redis的分布式爬虫项目。
    • 第一步：settings.py进行如下配置！
    • 第二步：爬虫文件中进行如下修改！
    • 最后，运行观察！
    • 小拓展：如何使用Navicat工具清空Mysql数据库中数据表里的数据！
  • 2.然后，将项目改为完整的scrapy-redis分布式爬虫项目

每篇前言：

  • 🏆🏆作者介绍：【孤寒者】—CSDN全栈领域优质创作者、HDZ核心组成员、华为云享专家Python全栈领域博主、CSDN原力计划作者

  • 🔥🔥本文已收录于Scrapy框架从入门到实战专栏：《Scrapy框架从入门到实战》
  • 🔥🔥热门专栏推荐：《Python全栈系列教程》、《爬虫从入门到精通系列教程》、《爬虫进阶+实战系列教程》、《Scrapy框架从入门到实战》、《Flask框架从入门到实战》、《Django框架从入门到实战》、《Tornado框架从入门到实战》、《前端系列教程》。
  • 📝​📝本专栏面向广大程序猿，为的是大家都做到Python全栈技术从入门到精通，穿插有很多实战优化点。
  • 🎉🎉订阅专栏后可私聊进一千多人Python全栈交流群（手把手教学，问题解答）； 进群可领取Python全栈教程视频 + 多得数不过来的计算机书籍：基础、Web、爬虫、数据分析、可视化、机器学习、深度学习、人工智能、算法、面试题等。
  • 🚀🚀加入我一起学习进步，一个人可以走的很快，一群人才能走的更远！
在这里插入图片描述

scrapy_redis_13">1.首先，将之前的项目改为单个的使用scrapy_redis的分布式爬虫项目。

  • （如果运行OK，再直接复制一个进行少量更改即可实现分布式！）

第一步：settings.py进行如下配置！

python"># 日志写入.log文件，方便观察终端！
LOG_FILE="zh.log"
LOG_ENABLED=False


# 第一步：加入以下代码：
#设置scrapy-redis
#1.启用调度将请求存储进redis
from scrapy_redis.scheduler import Scheduler
SCHEDULER="scrapy_redis.scheduler.Scheduler"

#2.确保所有spider通过redis共享相同的重复过滤
from scrapy_redis.dupefilter import RFPDupeFilter
DUPEFILTER_CLASS="scrapy_redis.dupefilter.RFPDupeFilter"

#3.指定连接到Redis时要使用的主机和端口     目的是连接上redis数据库
REDIS_HOST="localhost"
REDIS_PORT=6379

# 不清理redis队列，允许暂停/恢复抓取    （可选）    允许暂停，redis数据不丢失     可以实现断点续爬！！！
SCHEDULER_PERSIST = True


# 第二步：开启将数据存储进redis公共区域的管道！
# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
    # 开启保存Mysql数据库的管道
    'zongheng.pipelines.ZonghengPipeline': 300,
    # 开启保存数据至redis公共区域的数据库
    'scrapy_redis.pipelines.RedisPipeline': 100,
}

第二步：爬虫文件中进行如下修改！

在这里插入图片描述

最后，运行观察！

  1. 首先，命令运行项目，发现项目在等待。

  2. 然后，向redis数据库中放入第一个起始URL，命令为：lpush zh:start_urls http://book.zongheng.com/store/c0/c0/b0/u1/p1/v0/s1/t0/u0/i1/ALL.html

  3. 项目正常运行！可以通过Redis Desktop Manager工具观察到redis数据库中的URL数据等。
    在这里插入图片描述

  4. 运行结束后，通过Navicat工具观察到Mysql数据库中小说信息爬取正常！
    在这里插入图片描述在这里插入图片描述

小拓展：如何使用Navicat工具清空Mysql数据库中数据表里的数据！

使用truncate命令的原因是：删除速度快；而且如果再次对同一张表中写入数据，自增长key会从初始值开始！
在这里插入图片描述

scrapyredis_76">2.然后，将项目改为完整的scrapy-redis分布式爬虫项目

  • 将此项目（称为项目一）再复制一个（称为项目二），并且为了便于观察，项目一的数据存入chapter和novel表中；项目二中的数据存入novel_copy和chapter表中。实质上两表结构一模一样！

因为项目二存入的表名更改了，所以要更改pipelines.py文件中的mysql语句中的表名（将所有的表名novel改为novel_copy;所有的chapter改为chapter_copy）！

  1. 但是，我们运行此分布式项目后，通过Navicat观察Mysql数据库中的数据时会发现——novel和novel_copy表中数据相加刚好为目标本数；但是，chapter和chapter_copy表会出现一个问题，比如：chapter_copy表中小说章节信息都有，然后有四章章节有具体章节内容，但是我们爬虫文件中限制的是六章章节有具体章节内容，理应chapter表中有另外两章章节的具体内容，但是观察会发现chapter表中是空的！！！

  2. 分析：
    在这里插入图片描述

  • 回想——我们之前向Mysql数据库中存入小说章节信息的思路是：先存入小说所有章节的信息（但不包括章节具体章节内容信息），注意是一次存入所有章节信息；然后：
    在这里插入图片描述

  • 存入章节具体章节信息的思路是：对应小说的章节URL（chapter_url）进行存储。即：先查询到表中有这个chapter_url，才会update其对应的章节具体章节内容！

  • 但是小说所有章节信息是一次性插入，即会出现一张表有一张表没有的现象!所以，会出现上述问题！！！（但是实质上，我们实现了分布式，缺具体章节内容的其实被另一个项目处理了，只是没能存储进数据库！）

  1. 那么，如何获取完整的数据呢？我们可以想到，在settings.py中开启了将所有数据都放入redis数据库中公共区域的管道！但是，redis是个内存数据库，数据不能持久化，这里就想到了将redis数据库中的数据搬运到Mysql数据库中，即可！！！
    ①首先，从Redsi中取出数据试试可不可以：

创建一个.py脚本文件即可：

python">import  redis
import pymysql
import json

#指定redis数据库信息
rediscli=redis.StrictRedis(host="localhost",port=6379,db=0)

#指定mysql数据库
mysqlconn=pymysql.connect(host="localhost",port=3306,user="root",password="123456",db="",charset="utf8")



#取出数据
source, data = rediscli.blpop(["bh3:items"])     # 数据是字节码格式
print(source, data)
item = json.loads(data)
print(item)

打印观察数据：
在这里插入图片描述

②从Redsi中取出数据完全OK，接下来就进行存储进Mysql数据库的操作！（注意：Redis这个公共区域空间存储了框架运行过程中爬取的所有数据，所以进行Mysql存储操作时要进行判断，所取出的那一条数据属于什么数据，是小说信息；章节信息还是章节具体内容信息）

python">import datetime
import  redis
import pymysql
import json

#指定redis数据库信息
rediscli=redis.StrictRedis(host="localhost",port=6379,db=0)

#指定mysql数据库
mysqlconn=pymysql.connect(host="localhost",port=3306,user="root",password="123456",db="spider39",charset="utf8")


while  True:
    #取出数据
    source, data = rediscli.blpop(["bh3:items"])     # 数据是字节码格式
    # print(source, data)
    item = json.loads(data)
    # print(item)

    #写入数据
    cursor=mysqlconn.cursor()

    if  b"book_name" in data:
        sql = "select id from  novel_from_redis  where  book_name=%s  and author=%s"
        cursor.execute(sql, (item["book_name"], item["author"]))
        if  not cursor.fetchone():
            #写入小说数据
            sql="insert  into  novel_from_redis(category,book_name,author,status,book_nums,description,c_time,book_url,catalog_url)" \
                "values (%s,%s,%s,%s,%s,%s,%s,%s,%s)"
            cursor.execute(sql,(
                item["category"],
                item["book_name"],
                item["author"],
                item["status"],
                item["book_nums"],
                item["description"],
                item["c_time"],
                item["book_url"],
                item["catalog_url"],
            ))
            mysqlconn.commit()
            cursor.close()
    elif  b"chapter_list"  in  data:
        sql = "insert into  chapter_from_redis(title,ordernum,c_time,chapter_url,catalog_url)  values(%s,%s,%s,%s,%s)"
        data_list = []  # [(%s,%s,%s,%s,%s),(%s,%s,%s,%s,%s),(%s,%s,%s,%s,%s)]
        for index, chapter in enumerate(item["chapter_list"]):
            title = chapter[0]
            ordernum = index + 1
            c_time = chapter[2]
            chapter_url = chapter[3]
            catalog_url = chapter[4]
            data_list.append((title, ordernum, c_time, chapter_url, catalog_url))
        cursor.executemany(sql, data_list)
        mysqlconn.commit()
        cursor.close()
    elif  b"content"  in  data:
        sql = "update chapter_from_redis set  content=%s where chapter_url=%s"
        content = item["content"]
        chapter_url = item["chapter_url"]
        cursor.execute(sql, (content, chapter_url))
        mysqlconn.commit()
        cursor.close()

运行此.py脚本文件即可发现Mysql数据库中数据完整！！！

项目完整代码：
链接：https://pan.baidu.com/s/16-Zx5PGERxg2SgRGKStxvA
提取码：j5qh


http://www.niftyadmin.cn/n/5455510.html

相关文章

如何更好的优化HTTPS

如何更好的优化HTTPS

由裸数据传输的 HTTP 协议转成加密数据传输的 HTTPS 协议，给应用数据套了个「保护伞」，提高安全性的同时也带来了性能消耗。 HTTPS 相比 HTTP 协议多一个 TLS 协议握手过程，目的是为了通过非对称加密握手协商或者交换出对称加密密钥 分析性…
阅读更多...
AI 成足球比赛「关键先生」：DeepMind 发布 TacticAI，战术布局实用性高达 90%

AI 成足球比赛「关键先生」：DeepMind 发布 TacticAI，战术布局实用性高达 90%

在刚刚结束的世界杯预选赛中，国足在天津主场以 4:1 的得分大胜新加坡，一扫上一场在领先优势下被对方逼平的阴霾，也迎来了球队 2024 年的首场胜利。目前，中国队暂居 C 组第 2 位，保住了晋级 18 强赛的希望。 享受胜利喜…
阅读更多...
MySQL索引剖析【了解背后的数据结构】

MySQL索引剖析【了解背后的数据结构】

文章目录 常用索引概念聚簇索引 🎉非聚簇索引（二级索引） 数据结构选择Hash结构 ⭐️有序数组二叉搜索树AVL树（平衡二叉搜索树）B-Tree（多路平衡查找树）BTree ⭐️ MySQL中索引的实现InnoDB 索引实…
阅读更多...
springBoot+ureport报表引擎

springBoot+ureport报表引擎

UReport是一款基于单元格迭代模型的纯Java中式报表引擎。它架构于Spring之上，因此与企业应用具有良好的集成能力。UReport提供了基于Eclipse插件与基于网页的两种报表模版设计方式，采用类Excel报表模版设计风格，简单、易上手，可在…
阅读更多...
滑动窗口（蓝桥杯，acwing，单调队列）

滑动窗口（蓝桥杯，acwing，单调队列）

题目描述： 给定一个大小为 n≤1e6的数组。 有一个大小为 k的滑动窗口，它从数组的最左边移动到最右边。 你只能在窗口中看到 k个数字。 每次滑动窗口向右移动一个位置。 以下是一个例子： 该数组为 [1 3 -1 -3 5 3 6 7]，k 为 …
阅读更多...
pulsar: 四种消费模式

pulsar: 四种消费模式

一、独享模式(Exclusive) 默认情况下是独享模式，相同的suscription name的消费者不能有多个。 subscription name有点类似于kafka的消费者组。 package cn.edu.tju.test1;import org.apache.pulsar.client.api.*;public class ExclusiveModeConsumer01 {private st…
阅读更多...
elasticsearch基础应用

elasticsearch基础应用

1._cat接口 | _cat接口 | 说明 | | GET /_cat/nodes | 查看所有节点 | | GET /_cat/health | 查看ES健康状况 | | GET /_cat/master | 查看主节点 | | GET /_cat/indices | 查看所有索引信息 | es 中会默认提供上面的几个索引，表头…
阅读更多...
电脑关机速度很慢怎么解决?

电脑关机速度很慢怎么解决?

给电脑关机，总是要很久才完全关闭。这是因为计算机运行了太长时间，并且打开的程序太多，则关闭时间超过十秒钟，这是正常的现象。还有就是计算机升级或补丁程序更新也将导致计算机缓慢关闭。此时，建议耐心等待关闭完成。还有可能是系统故障了。接下来分享电脑关机速度很慢怎…
阅读更多...
最新文章

Copyright @ 2022~2023