[[348974]]

使用Scrapy開發(fā)一個(gè)分布式爬蟲？你知道最快的方法是什么嗎？一分鐘真的能 開發(fā)好或者修改出 一個(gè)分布式爬蟲嗎？

話不多說，先讓我們看看怎么實(shí)踐，再詳細(xì)聊聊細(xì)節(jié)。

快速上手

Step 0:

首先安裝 Scrapy-Distributed : 

pip install scrapy-distributed 

如果你沒有所需要的運(yùn)行條件，你可以啟動(dòng)兩個(gè) Docker 鏡像進(jìn)行測試 (RabbitMQ 和 RedisBloom): 

# pull and run a RabbitMQ container.   
docker run -d --name rabbitmq -p 0.0.0.0:15672:15672 -p 0.0.0.0:5672:5672 rabbitmq:3   
# pull and run a RedisBloom container.   
docker run -d --name redis-redisbloom -p 0.0.0.0:6379:6379 redislabs/rebloom:latest 

Step 1 (非必須):

如果你有一個(gè)現(xiàn)成的爬蟲，可以跳過這個(gè) Step，直接到 Step 2。

創(chuàng)建一個(gè)爬蟲工程，我這里以一個(gè) sitemap 爬蟲為例:

scrapy startproject simple_example 

然后修改 spiders 文件夾下的爬蟲程序文件: 

from scrapy_distributed.spiders.sitemap import SitemapSpider  
from scrapy_distributed.queues.amqp import QueueConfig  
from scrapy_distributed.dupefilters.redis_bloom import RedisBloomConfig  
class MySpider(SitemapSpider):  
    name = "example"  
    sitemap_urls = ["http://www.people.com.cn/robots.txt"]  
    queue_conf: QueueConfigQueueConfig = QueueConfig(  
        name="example", durable=True, arguments={"x-queue-mode": "lazy", "x-max-priority": 255}  
    )  
    redis_bloom_conf: RedisBloomConfigRedisBloomConfig = RedisBloomConfig(key="example:dupefilter")  
    def parse(self, response): 
         self.logger.info(f"parse response, url: {response.url}") 

Step 2:

只需要修改配置文件 settings.py 下的SCHEDULER, DUPEFILTER_CLASS 并且添加 RabbitMQ和 Redis 的相關(guān)配置，你就可以馬上獲得一個(gè)分布式爬蟲，Scrapy-Distributed 會(huì)幫你初始化一個(gè)默認(rèn)配置的 RabbitMQ 隊(duì)列和一個(gè)默認(rèn)配置的 RedisBloom 布隆過濾器。 

# 同時(shí)集成 RabbitMQ 和 RedisBloom 的 Scheduler  
# 如果僅使用 RabbitMQ 的 Scheduler，這里可以填 scrapy_distributed.schedulers.amqp.RabbitScheduler  
SCHEDULER = "scrapy_distributed.schedulers.DistributedScheduler"  
SCHEDULER_QUEUE_CLASS = "scrapy_distributed.queues.amqp.RabbitQueue"  
RABBITMQ_CONNECTION_PARAMETERS = "amqp://guest:guest@localhost:5672/example/?heartbeat=0"  
DUPEFILTER_CLASS = "scrapy_distributed.dupefilters.redis_bloom.RedisBloomDupeFilter"  
BLOOM_DUPEFILTER_REDIS_URL = "redis://:@localhost:6379/0"  
BLOOM_DUPEFILTER_REDIS_HOST = "localhost"  
BLOOM_DUPEFILTER_REDIS_PORT = 6379  
# Redis Bloom 的客戶端配置，復(fù)制即可  
REDIS_BLOOM_PARAMS = {  
    "redis_cls": "redisbloom.client.Client"  
}  
# 布隆過濾器誤判率配置，不寫配置的情況下默認(rèn)為 0.001  
BLOOM_DUPEFILTER_ERROR_RATE = 0.001  
# 布隆過濾器容量配置，不寫配置的情況下默認(rèn)為 100_0000  
BLOOM_DUPEFILTER_CAPACITY = 100_0000 

你也可以給你的 Spider 類，增加兩個(gè)類屬性，來初始化你的 RabbitMQ 隊(duì)列或 RedisBloom 布隆過濾器: 

class MySpider(SitemapSpider):  
    ......  
    # 通過 arguments 參數(shù)，可以配置更多參數(shù)，這里示例配置了 lazy 模式和優(yōu)先級(jí)最大值  
    queue_conf: QueueConfigQueueConfig = QueueConfig(  
        name="example", durable=True, arguments={"x-queue-mode": "lazy", "x-max-priority": 255}  
    )  
    # 通過 key，error_rate，capacity 分別配置布隆過濾器的redis key，誤判率，和容量  
    redis_bloom_conf: RedisBloomConfigRedisBloomConfig = RedisBloomConfig(key="example:dupefilter", error_rate=0.001, capacity=100_0000)  
    ...... 

Step 3:

scrapy crawl example 

檢查一下你的 RabbitMQ 隊(duì)列 和 RedisBloom 過濾器，是不是已經(jīng)正常運(yùn)行了？

可以看到，Scrapy-Distributed 的加持下，我們只需要修改配置文件，就可以將普通爬蟲修改成支持 RabbitMQ 隊(duì)列 和 RedisBloom 布隆過濾器的分布式爬蟲。在擁有 RabbitMQ 和 RedisBloom 環(huán)境的情況下，修改配置的時(shí)間也就一分鐘。

關(guān)于Scrapy-Distributed

目前 Scrapy-Distributed 主要參考了Scrapy-Redis 和 scrapy-rabbitmq 這兩個(gè)庫。

如果你有過 Scrapy 的相關(guān)經(jīng)驗(yàn)，可能會(huì)知道 Scrapy-Redis 這個(gè)庫，可以很快速的做分布式爬蟲，如果你嘗試過使用 RabbitMQ 作為爬蟲的任務(wù)隊(duì)列，你可能還見到過 scrapy-rabbitmq 這個(gè)項(xiàng)目。誠然 Scrapy-Redis 已經(jīng)很方便了，scrapy-rabbitmq 也能實(shí)現(xiàn) RabbitMQ 作為任務(wù)隊(duì)列，但是他們存在一些缺陷，我這里簡單提出幾個(gè)問題。

•  Scrapy-Redis 使用 Redis 的 set 去重，鏈接數(shù)量越大占用的內(nèi)存就越大，不適合任務(wù)數(shù)量大的分布式爬蟲。
•  Scrapy-Redis 使用 Redis 的 list 作為隊(duì)列，很多場景會(huì)有任務(wù)積壓，會(huì)導(dǎo)致內(nèi)存資源消耗過快，比如我們爬取網(wǎng)站 sitemap 時(shí)，鏈接入隊(duì)的速度遠(yuǎn)遠(yuǎn)大于出隊(duì)。
•  scrapy-rabbitmq 等 RabbitMQ 的 Scrapy 組件，在創(chuàng)建隊(duì)列方面，沒有提供 RabbitMQ 支持的各種參數(shù)，無法控制隊(duì)列的持久化等參數(shù)。
•  scrapy-rabbitmq 等 rabbitmq 框架的 Scheduler 暫未支持分布式的 dupefilter ，需要使用者自行開發(fā)或接入相關(guān)組件。
•  Scrapy-Redis 和 scrapy-rabbitmq 等框架都是侵入式的，如果需要用這些框架開發(fā)分布式的爬蟲，需要我們修改自己的爬蟲代碼，通過繼承框架的 Spider 類，才能實(shí)現(xiàn)分布式功能。

于是，Scrapy-Distributed 框架就在這個(gè)時(shí)候誕生了，在非侵入式設(shè)計(jì)下，你只需要通過修改 settings.py 下的配置，框架就可以根據(jù)默認(rèn)配置將你的爬蟲分布式化。

為了解決Scrapy-Redis 和 scrapy-rabbitmq 存在的一些痛點(diǎn)，Scrapy-Distributed 做了下面幾件事:

•  采用了 RedisBloom 的布隆過濾器，內(nèi)存占用更少。
•  支持了 RabbitMQ 隊(duì)列聲明的所有參數(shù)配置，可以讓 RabbitMQ 隊(duì)列支持 lazy-mode 模式，將減少內(nèi)存占用。
•  RabbitMQ 的隊(duì)列聲明更加靈活，不同爬蟲可以使用相同隊(duì)列配置，也可以使用不同的隊(duì)列配置。
•  Scheduler 的設(shè)計(jì)上支持多個(gè)組件的搭配組合，可以單獨(dú)使用 RedisBloom 的DupeFilter，也可以單獨(dú)使用 RabbitMQ 的 Scheduler 模塊。
•  實(shí)現(xiàn)了 Scrapy 分布式化的非侵入式設(shè)計(jì)，只需要修改配置，就可以將普通爬蟲分布式化。

目前框架還有很多功能正在添加，感興趣的小伙伴可以持續(xù)關(guān)注項(xiàng)目倉庫的動(dòng)向，有什么想法也可以一起討論。