浅析scrapy与scrapy_redis区别

近在工作中写了很多 scrapy_redis 分布式爬虫，但是回想 scrapy 与 scrapy_redis 两者区别的时候，竟然，思维只是局限在了应用方面，于是乎，搜索了很多相关文章介绍，这才搞懂内部实现的原理。

首先我们从整体上来讲

scrapy是一个Python爬虫框架，爬取效率极高，具有高度定制性，但是不支持分布式。而scrapy-redis一套基于redis数据库、运行在scrapy框架之上的组件，可以让scrapy支持分布式策略，Slaver端共享Master端redis数据库里的item队列、请求队列和请求指纹集合。而为什么选择redis数据库，是因为redis支持主从同步，而且数据都是缓存在内存中的，所以基于redis的分布式爬虫，对请求和数据的高频读取效率非常高。

有一篇文章是这么说的： scrapy-redis 与 Scrapy 的关系就像电脑与固态硬盘一样，是电脑中的一个插件，能让电脑更快的运行。

 

Scrapy 是一个爬虫框架， scrapy-redis 则是这个框架上可以选择的插件，它可以让爬虫跑的更快。

说的一点都对， Scrapy 是一个通用的爬虫框架， scrapy-redis 则是这个框架上可以选择的插件，为了更方便地实现Scrapy分布式爬取，而提供了一些以redis为基础的组件(仅有组件)，它可以让爬虫跑的更快。

然后介绍 scrapy 框架的运行流程及原理

scrapy作为一款优秀的爬虫框架，在爬虫方面有这众多的优点。能快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。

 

为了方便理解，我找到了一张这样的图片：

 

解释说明：

1、从优先级队列中获取request对象，交给engine

2、engine将request对象交给下载器下载，期间会通过downloadmiddleware的process_request方法

3、下载器完成下载，获得response对象，将该对象交给engine，期间会经过downloadmiddleware的process_response（ ）方法

4、engine将获得的response对象交给spider进行解析，期间会经过spidermiddleware的process_spider_input()的方法

5、spider解析下载器下下来的response，返回item或是links(url)

6、item或者link经过spidermiddleware的process_spider_out( )方法，交给engine

7、engine将item交给item pipeline ，将links交给调度器

8、在调度器中，先将requests对象利用scrapy内置的指纹函数生成一个指纹

9、如果requests对象中的don't filter参数设置为False，并且该requests对象的指纹不在信息指纹的队列中，那么就把该request对象放到优先级队列中

 

循环以上操作

中间件主要存在两个地方，从图片当中我们可以看到：

spider 与 engine 之间（爬虫中间件）：

介于Scrapy引擎和爬虫之间的框架，主要工作是处理爬虫的响应输入和请求输出

download 与 engine 之间（下载器中间件） ：

位于Scrapy引擎和下载器之间的框架，主要是处理Scrapy引擎与下载器之间的请求及响应

借此机会，我们结合程序，解析一下框架中的 middleware.py ：

1. Spider Middleware有以下几个函数被管理:

- process_spider_input 接收一个response对象并处理,

位置是Downloader-->process_spider_input-->Spiders(Downloader和Spiders是scrapy官方结构图中的组件)

- process_spider_exception spider出现的异常时被调用

- process_spider_output 当Spider处理response返回result时,该方法被调用

- process_start_requests 当spider发出请求时,被调用

2. Downloader Middleware有以下几个函数被管理

- process_request request通过下载中间件时，该方法被调用，这里可以设置代理，设置request.meta['proxy'] 就行

- process_response 下载结果经过中间件时被此方法处理

- process_exception 下载过程中出现异常时被调用

个人理解scrapy的优缺点：

优点：scrapy 是异步的， 写middleware,方便写一些统一的过滤器

缺点：基于python的爬虫框架，扩展性比较差， 基于twisted框架，运行中的exception是不会干掉reactor，并且异步框架出错后是不会停掉其他任务的，数据出错后难以察觉。

scrapy_redis分布式爬虫

最后回到我们这篇文章的重点（敲黑板...）

Scrapy-redis提供了下面四种组件（components）：(四种组件意味着这四个模块都要做相应的修改)

Scheduler：

Scrapy改造了python本来的collection.deque(双向队列)形成了自己的Scrapy queue，但是Scrapy多个spider不能共享待爬取队列Scrapy queue， 即Scrapy本身不支持爬虫分布式，scrapy-redis 的解决是把这个Scrapy queue换成redis数据库（也是指redis队列），从同一个redis-server存放要爬取的request，便能让多个spider去同一个数据库里读取。

 

Scrapy中跟“待爬队列”直接相关的就是调度器Scheduler，它负责对新的request进行入列操作（加入Scrapy queue），取出下一个要爬取的request（从Scrapy queue中取出）等操作。它把待爬队列按照优先级建立了一个字典结构，然后根据request中的优先级，来决定该入哪个队列，出列时则按优先级较小的优先出列。为了管理这个比较高级的队列字典，Scheduler需要提供一系列的方法。但是原来的Scheduler已经无法使用，所以使用Scrapy-redis的scheduler组件。

Duplication Filter：

Scrapy中用集合实现这个request去重功能，Scrapy中把已经发送的request指纹放入到一个集合中，把下一个request的指纹拿到集合中比对，如果该指纹存在于集合中，说明这个request发送过了，如果没有则继续操作。

在scrapy-redis中去重是由Duplication Filter组件来实现的，它通过redis的set 不重复的特性，巧妙的实现了Duplication Filter去重。scrapy-redis调度器从引擎接受request，将request的指纹存⼊redis的set检查是否重复，并将不重复的request push写⼊redis的 request queue。

引擎请求request(Spider发出的）时，调度器从redis的request queue队列⾥里根据优先级pop 出⼀个request 返回给引擎，引擎将此request发给spider处理。

Item Pipeline：

引擎将(Spider返回的)爬取到的Item给Item Pipeline，scrapy-redis 的Item Pipeline将爬取到的 Item 存⼊redis的 items queue。

修改过Item Pipeline可以很方便的根据 key 从 items queue 提取item，从⽽实现items processes集 群。

Base Spider：

不在使用scrapy原有的Spider类，重写的RedisSpider继承了Spider和RedisMixin这两个类，RedisMixin是用来从redis读取url的类。

当我们生成一个Spider继承RedisSpider时，调用setup_redis函数，这个函数会去连接redis数据库，然后会设置signals(信号)：

一个是当spider空闲时候的signal，会调用spider_idle函数，这个函数调用schedule_next_request函数，保证spider是一直活着的状态，并且抛出DontCloseSpider异常。

一个是当抓到一个item时的signal，会调用item_scraped函数，这个函数会调用schedule_next_request函数，获取下一个request。

Scrapy-redis架构：

 

如上图所示，我们可以发现，scrapy-redis在scrapy的架构上增加了redis，与scrapy相差无几。本质的区别就是，将scrapy的内置的去重的队列和待抓取的request队列换成了redis的集合。就这一个小小的改动，就使得了scrapy-redis支持了分布式抓取。

Scrapy-Redis分布式策略：

假设有四台电脑：windows 10、mac OS X、Ubuntu 16.04、centos 7.2，任意一台电脑都可以作为 Master端 或 Slaver端，比如：

--Master端(核心服务器) ：使用 Windows 10，搭建一个Redis数据库，不负责爬取，只负责url指纹判重、Request的分配，以及数据的存储

--Slaver端(爬虫程序执行端) ：使用 Mac OS X 、Ubuntu 16.04、CentOS 7.2，负责执行爬虫程序，运行过程中提交新的Request给Master

 

首先Slaver端从Master端拿任务（Request、url）进行数据抓取，Slaver抓取数据的同时，产生新任务的Request便提交给 Master 处理；

Master端只有一个Redis数据库，负责将未处理的Request去重和任务分配，将处理后的Request加入待爬队列，并且存储爬取的数据。

明白了原理之后我们就要入手程序了

Scrapy-Redis默认使用的就是这种策略，我们实现起来很简单，因为任务调度等工作Scrapy-Redis都已经帮我们做好了，我们只需要继承RedisSpider、指定redis_key就行了。

将 scrapy 变成 scrapy-redis 的过程（前提是pip install scrapy-redis）

最简单的方式是使用 redis 替换机器内存，你只需要在 settings.py 中加上三代码，就能让你的爬虫变为分布式。

 

如果你现在运行你的爬虫，你可以在redis中看到出现了这两个key:

 

格式是set，即不会有重复数据。前者就是redis的去重队列，对应 DUPEFILTER_CLASS ，后者是redis的请求调度，把里面的请求分发给爬虫，对应 SCHEDULER 。（里面的数据不会自动删除，如果你第二次跑，需要提前清空里面的数据）

缺点是，Scrapy-Redis调度的任务是Request对象，里面信息量比较大（不仅包含url，还有callback函数、headers等信息），可能导致的结果就是会降低爬虫速度、而且会占用Redis大量的存储空间，所以如果要保证效率，那么就需要一定硬件水平。