【闲谈】Scrapy分布式爬虫, Redis OR RabbitMQ 如何选？_scrapy-rabbitmq

Scrapy是一款强大的Python爬虫框架，支持分布式爬取，可以使用多种消息队列来实现任务调度，其中最常见的就是Redis和RabbitMQ。

Scrapy-Redis 和 Scrapy-RabbitMQ 都是 Scrapy 分布式爬虫框架的解决方案，可以实现基于 Redis 或 RabbitMQ 的分布式爬虫。这两种方案各有优缺点，选择哪种方案主要取决于项目的需求和实际情况。

Scrapy-Redis 方案的优点包括：

1. 简单易用：Scrapy-Redis 提供了一些基本的组件，使用起来比较简单。

2. 速度快：Scrapy-Redis 可以通过调整并发数、增加机器数量等方式来提高爬虫的速度。

3. 可扩展性好：Scrapy-Redis 使用 Redis 的 Pub/Sub 机制实现了消息传递，可以方便地扩展到多个节点。

Scrapy-RabbitMQ 方案的优点包括：

1. 稳定性好：RabbitMQ 的稳定性比 Redis 更好，能够更好地处理爬虫出错、消息丢失等问题。

2. 可靠性高：RabbitMQ 使用 ACK 机制，能够保证消息不会丢失，确保消息传递的可靠性。

3. 灵活性高：RabbitMQ 的消息传递机制更加灵活，可以方便地应对各种情况。

总的来说，选择哪种方案主要取决于项目的需求和实际情况。

下面是一些参考建议：

1. 简单性 如果只需要简单的分布式爬取任务，可以考虑使用Redis。因为Redis使用起来比较简单，学习成本较低，可以快速部署和使用。

2. 性能 如果需要处理大量的爬取任务，可以考虑使用RabbitMQ。因为RabbitMQ采用消息分发机制，能够支持高并发处理大量的消息，可以提高爬虫的抓取效率。

3. 可靠性 如果需要实现可靠的消息传递，可以选择RabbitMQ。因为RabbitMQ支持消息持久化和消息确认机制，可以确保消息不丢失，同时保证消息被正确地处理。

4. 应用场景 Redis适合应用场景相对简单的分布式爬虫，例如需要爬取多个网站的同一类数据，爬取速度不需要过快等。而RabbitMQ适合需要处理复杂、高并发的分布式爬虫任务，例如需要爬取大量动态页面或需要高速抓取的任务。

浅聊Scrapy-RabbitMQ

scrapy-redis对于有些江湖经验的老爬虫来说，早已轻车熟路，就不过多做介绍了，今天在这里简单说下Scrapy-RabbitMQ。

RabbitMQ是一个消息队列软件，可以协调不同的应用程序之间的通信。

Scrapy-RabbitMQ简单使用：

1、环境准备

首先，需要安装Scrapy和pika（Python中的RabbitMQ客户端）。可以使用pip来安装这两个库：

pip install scrapy
pip install pika

2、定义消息队列

使用RabbitMQ需要先定义消息队列。

可以使用RabbitMQ提供的web管理界面创建队列，也可以使用pika库来创建队列。例如：

import pika
 
connection = pika.BlockingConnection(pika.ConnectionParameters('localhost'))
channel = connection.channel()
 
channel.queue_declare(queue='task_queue', durable=True)

这里创建了一个名为"task_queue"的队列，并设置队列为持久化，以便在RabbitMQ服务重启后保留队列和其中的消息。

3、定义Scrapy爬虫

在Scrapy中，需要定义一个Spider类来指定要爬取的URL、数据抓取规则等。下面是一个简单的例子：

import scrapy
import pika
 
class MySpider(scrapy.Spider):
    name = 'my_spider'
 
    def start_requests(self):
        urls = [
            'http://www.example.com/page1.html',
            'http://www.example.com/page2.html',
            'http://www.example.com/page3.html',
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)
 
    def parse(self, response):
        # 爬虫收集到的数据
        data = {
            'url': response.url,
            'title': response.css('title::text').get(),
            'content': response.css('div.content::text').get(),
        }
        
        # 将数据发送到RabbitMQ队列中
        connection = pika.BlockingConnection(pika.ConnectionParameters('localhost'))
        channel = connection.channel()
        channel.queue_declare(queue='task_queue')
        channel.basic_publish(exchange='', routing_key='task_queue', body=str(data))
        connection.close()

这里将数据作为消息内容，加入到名为"task_queue"的队列中，并设置消息为持久化。

4、定义RabbitMQ的消息消费者

import pika
from scrapy import signals
from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings
 
class MySpider(scrapy.Spider):
    name = "myspider"
 
    def start_requests(self):
        yield scrapy.Request(self.url)
 
    def parse(self, response):
        # 解析网页内容，提取数据
        pass
 
def consume_callback(ch, method, properties, body):
    url = body.decode()
    process = CrawlerProcess(get_project_settings())
    process.crawl(MySpider, url=url)
    process.start()
 
connection = pika.BlockingConnection(pika.ConnectionParameters('localhost'))
channel = connection.channel()
 
channel.queue_declare(queue='task_queue', durable=True)
channel.basic_qos(prefetch_count=1)
channel.basic_consume(queue='task_queue', on_message_callback=consume_callback)
 
channel.start_consuming()

这里使用basic_consume函数来监听名为"task_queue"的队列中的消息，并将consume_callback函数作为回调函数传入。最后使用start_consuming函数来开始监听队列中的消息并执行回调函数。

5、部署Scrapy爬虫

将Scrapy爬虫部署到多个节点上，以实现分布式爬虫的效果。在每个节点上都运行一个RabbitMQ消费者，以处理从队列中接收到的数据。

6、运行Scrapy爬虫

在每个节点上运行Scrapy爬虫，收集数据并将其发送到RabbitMQ队列中。爬虫运行的命令可以使用以下方式来启动：

scrapy crawl my_spider

7、监控爬虫运行情况

使用RabbitMQ的Web管理界面或者CLI命令来监控队列的长度，以及消费者的运行情况。可以使用以下命令来监控队列的长度：

sudo rabbitmqctl list_queues name messages_ready messages_unacknowledged

以上是一个基于Scrapy和RabbitMQ构建分布式爬虫程序的简单实例代码。当然，实际上还需要更多的细节来确保程序的正确运行，比如在爬虫中处理异常情况、保证数据传输的安全性、定义Spider时需要根据具体的网站编写相应的解析规则，生产者需要将待爬取的URL加入到消息队列中，消费者需要启动多个实例来提高爬取效率等。

备注：

以上均为简单测试代码，不可用于生产环境，仅提供分布式构建思想，实际应用中，还需配合中间件、Pipeline等进行融合使用。

➣➣欢迎关注本人微信公众号：Anonymous NoteBook➣➣

分享好玩有趣的网络资源&软件工具~

分享各种技术性PDF资源/付费查询PDF资源~

分享各种编程语言、开发技术、分布式事务、大数据与云计算技术~

分享有关网络爬虫(Web爬虫逆向 | 安卓逆向)案例、数据挖掘、技术心得等~
————————————————