学习爬虫之Scrapy框架学习（八）---Scrapy框架里使用分布式爬虫（Scrapy_redis）；分布式实战纵横小说爬取+项目完整源码！

2021-10-08 15:21:01

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！！！点我跳转到之前的纵横小说项目！

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！

# 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,
}

2.第二步：爬虫文件中进行如下修改！

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。

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！

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！

2.然后，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：

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：

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，会出现以上所述问题！！！（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！）

3.那么，如何获取完整的数据呢？我们可以想到，在settings.py中我们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：

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：

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空爬取的所有数据，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）

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
**

码农公寓