Scrapy-Redis 使用教程

项目介绍

Scrapy-Redis 是一个基于 Redis 的 Scrapy 扩展，用于实现分布式爬虫。它通过将 Scrapy 的调度器和去重机制替换为 Redis 实现，使得多个 Scrapy 实例可以共享同一个 Redis 队列，从而避免重复抓取，提高爬取效率。

项目快速启动

安装依赖

首先，确保你已经安装了 Scrapy 和 Redis。然后通过 pip 安装 Scrapy-Redis：

pip install scrapy-redis

配置 Scrapy 项目

在你的 Scrapy 项目中，修改 settings.py 文件，添加以下配置：

# 使用 Scrapy-Redis 的调度器
SCHEDULER = "scrapy_redis.scheduler.Scheduler"

# 持久化请求队列和去重状态
SCHEDULER_PERSIST = True

# 使用 Scrapy-Redis 的去重机制
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# Redis 配置
REDIS_URL = 'redis://localhost:6379'

编写爬虫

创建一个新的 Scrapy 爬虫，并继承 scrapy_redis.spiders.RedisSpider：

from scrapy_redis.spiders import RedisSpider

class MySpider(RedisSpider):
    name = 'myspider'
    redis_key = 'myspider:start_urls'

    def parse(self, response):
        # 解析逻辑
        pass

启动爬虫

在 Redis 中添加起始 URL：

redis-cli lpush myspider:start_urls http://example.com

然后启动爬虫：

scrapy crawl myspider

应用案例和最佳实践

分布式爬取

Scrapy-Redis 非常适合用于分布式爬取场景。你可以在多台机器上启动相同的爬虫实例，它们会共享同一个 Redis 队列，从而实现高效的分布式爬取。

去重机制

Scrapy-Redis 的去重机制基于 Redis 的集合（Set）数据结构，确保每个请求只会被处理一次，避免重复抓取。

动态添加 URL

你可以通过 Redis 动态添加新的 URL 到爬虫的队列中，实现动态的爬取任务调度。

典型生态项目

Scrapy

Scrapy 是一个强大的爬虫框架，Scrapy-Redis 是其扩展，用于实现分布式爬取。

Redis

Redis 是一个高性能的键值存储系统，Scrapy-Redis 利用 Redis 实现分布式队列和去重机制。

Redis-Cluster

对于大规模的爬取任务，可以考虑使用 Redis-Cluster 来分担单机 Redis 的压力。Scrapy-Redis 可以通过替换 Redis 连接库来支持 Redis-Cluster。

通过以上步骤，你可以快速启动并使用 Scrapy-Redis 实现分布式爬虫，提高爬取效率和灵活性。