第9章 scrapy-redis分布式爬虫

haoman

9-1 分布式爬虫要点

　　1.分布式的优点

• 充分利用多机器的宽带加速爬取
  
• 充分利用多机的IP加速爬取速度
  

　　问：为什么scrapy不支持分布式？
　　答：在scrapy中scheduler是运行在队列的，而队列是在单机内存中的，服务器上爬虫是无法利用内存的队列做任何处理，所以scrapy不支持分布式。
　　2.分布式需要解决的问题

• requests队列集中管理
  
• 去重集中管理
  

　　所以要用redis来解决。
9-2~3 redis基础知识
Ⅰ.redis的安装（windows 64位）
　　1.百度：redis for windows 找到github上的安装包
　　如图点进去下载

　　cmd切换到下载的目录中
　　输入以下命令即可运行

　　这样已经启动了，可以输入相关的命令进行测试。
Ⅱ、Redis的数据类型

• 字符串
  
• 散列/哈希
  
• 列表
  
• 集合
  
• 可排序集合
  

　　1.字符串命令

　　set mykey ''cnblogs''   创建变量
　　get mykey   查看变量
　　getrange mykey start end   获取字符串，如:get name 2 5 #获取name2~5的字符串
　　strlen mykey   获取长度
　　incr/decr mykey    加一减一，类型是int
　　append mykey ''com''   添加字符串，添加到末尾

　　2.哈希命令

　　hset myhash name "cnblogs"   创建变量，myhash类似于变量名，name类似于key，"cnblogs"类似于values
　　hgetall myhash   得到key和values两者
　　hget myhash  name  得到values
　　hexists myhash name  检查是否存在这个key
　　hdel myhash name   删除这个key
　　hkeys myhash   查看key
　　hvals muhash   查看values

　　3.列表命令

　　lpush/rpush mylist "cnblogs"  左添加/右添加值
　　lrange mylist 0 10   查看列表0~10的值
　　blpop/brpop key1[key2] timeout   左删除/右删除一个，timeout是如果没有key，等待设置的时间后结束。
　　lpop/rpop key   左删除/右删除，没有等待时间。
　　llen key  获得长度
　　lindex key index    取第index元素，index是从0开始的

　　4.集合命令（不重复）

　　sadd myset "cnblogs"   添加内容，返回1表示不存在，0表示存在
　　scard key  查看set中的值
　　sdiff key1 [key2]   2个set做减法，其实就是减去了交际部分
　　sinter key1 [key2]    2个set做加法，其实就是留下了两者的交集
　　spop key   随机删除值
　　srandmember key member  随机获取member个值
　　smember key   获取全部的元素

　　5.可排序集合命令

　　zadd myset 0 ‘project1’ [1 ‘project2’]   添加集合元素；中括号是没有的，在这里是便于理解  
　　zrangebyscore myset 0 100   选取分数在0~100的元素
　　zcount key min max   选取分数在min~max的元素的个数

Ⅲ、Redis文档

• redis教程（菜鸟教程）
  
• redis命令参数
  

9-4~9 全部的小节主要是解读scrapy-redis
　　可以看github上的scrapy-redis的使用方法。
　　bloomfilter 布隆过滤器 集成到scrapy-redis中。
　　源码还没有理解透彻，先不写说明了。
　　相关代码的请移步我的github：scrapy-redis应用的项目
　　作者：今孝
　　出处：http://www.cnblogs.com/jinxiao-pu/p/6838011.html
　　本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。
　　觉得好就点个推荐把！