使用scrapy-redis实现分布式爬虫
2017-11-08 17:13
661 查看
一、准备工作
用来实现分布式爬虫的项目是:爬取知乎用户信息项目注册了两个服务器:阿里云服务器和腾讯云服务器,使用的系统都是windows系统
二、scrapy-redis组件的使用
将知乎用户项目下载至本地,并使用git命令新建分支以方便对项目进行更改而不影响之前的项目:git checkout -b distributed #新建分支 git branch #切换分支
在项目settings.py中加入:
SCHEDULER = "scrapy_redis.schedler.Scheduler" DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter" REDIS_URL = 'redis://120.xx.xx.xx:password@120.xx.xx.xx:6379' #我用的是阿里云服务器,此处包括服务器的用户名、密码、服务器公网IP、端口号 ITEM_PIPELINES = { 'zhihuuser.pipelines.MongoPipeline': 300, # 'scrapy_redis.pipelines.RedisPipeline': 301, }
将更改后的项目上传至GitHub:
git add -A git commit -m "add distributed" git push origin distributed
三、在本机及腾讯云上进行协同爬取
在本机上可以直接使用命令运行项目:scrapy crawl zhihu
在腾讯云服务器上需将在分支distributed上的项目克隆下来,然后再运行:
git clone http://github.com/xxx/xxx -b distributed
这样子就可以让本机及腾讯云服务器对知乎用户项目进行协同爬取,各自爬取到的数据保存在各自的MongoDB数据库–
本机MongoDB数据库:
腾讯云MongoDB数据库:
阿里云redis数据库:
四、问题
在此过程中出现各种问题:1、服务器无法进行远程连接
2、数据库无法进行远程连接
3、redis、mongodb数据库出现的报错
相关文章推荐
- 基于Python使用scrapy-redis框架实现分布式爬虫 注
- 使用scrapy,redis, mongodb实现的一个分布式网络爬虫
- Scrapy基于scrapy_redis实现分布式爬虫部署
- scrapy-redis实现爬虫分布式爬取分析与实现
- scrapy-redis实现爬虫分布式爬取分析与实现
- scrapy-redis实现爬虫分布式爬取分析与实现
- 基于Python,scrapy,redis的分布式爬虫实现框架
- Python之Scrapy框架Redis实现分布式爬虫详解
- Scrapy-redis爬虫分布式爬取的分析和实现
- 基于Python,scrapy,redis的分布式爬虫实现框架
- 基于Python+scrapy+redis的分布式爬虫实现框架
- 使用 Redis 实现分布式系统轻量级协调技术
- redis中使用java脚本实现分布式锁
- 分布式中使用Redis实现Session共享(二)
- 使用 Redis 实现分布式锁
- redis中使用java脚本实现分布式锁
- 分布式中使用 Redis 实现 Session 共享(中)
- 分布式中使用Redis实现Session共享(二)
- 分布式中使用Redis实现Session共享(一)
- 分布式中使用 Redis 实现 Session 共享(下)