scrapy-redis非多网址采集的使用

2021 年 1 月 29 日
笔记
Scrapy, 爬虫

问题描述

默认RedisSpider在启动时，首先会读取redis中的spidername:start_urls，如果有值则根据url构建request对象。

现在的要求是，根据特定关键词采集。

例如：目标站点有一个接口，根据post请求参数来返回结果。

那么，在这种情况下，构建request主要的变换就是请求体（body），API接口是不变的。

对于原来通过url构建request的策略就不再适用了。

所以，此时我们需要对相应的方法进行重写。

重写方法

爬虫类需要继承至scrapy_redis.spiders.RedisSpider

start_requests

我需要从数据库拿到关键词数据，然后用关键词构建请求。

此时，我们将关键词看作start_url，将关键词push到redis中

首先，写一个将单个关键词push到redis的方法

push_data_to_redis

def push_data_to_redis(self, data):
    """将数据push到redis"""
    # 序列化，data可能是字典
    data = pickle.dumps(data)
    use_set = self.settings.getbool('REDIS_START_URLS_AS_SET', defaults.START_URLS_AS_SET)
    self.server.spush(self.redis_key, data) if use_set else self.server.lpush(self.redis_key, data)

self.redis_key如果没有做任何声明，则默认为 spidername:start_urls

接着重写start_request

def start_requests(self):
    if self.isproducer():
        # get_keywords 从数据库读关键词的方法
        items = self.get_keywords()
        for item in items:
            self.push_data_to_redis(item)
    return super(DoubanBookMetaSpider, self).start_requests()

上述代码中有一个self.isproducer，此方法用于检测当前程序是不是生产者，即向redis提供关键词

isproducer

# (...)

def __init__(self, *args, **kwargs):
    self.is_producer = kwargs.pop('producer', None)
    super(DoubanBookMetaSpider, self).__init__()

def isproducer(self):
    return self.is_producer is not None

# (...)

此方法需要配合scrapy命令行使用，例如：

// 启动一个生产者，producer的参数任意，只要填写了就是True
scrapy crawl myspider -a producer=1
// 启动一个消费者
scrapy crawl myspider

关于scrapy命令行的更多参数，参考文档：//scrapy-chs.readthedocs.io/zh_CN/0.24/topics/shell.html

make_request_from_data

查看RedisMixin中的make_request_from_data

方法注释信息：

Returns a Request instance from data coming from Redis.

根据来源于redis的数据返回一个Request对象

By default, data is an encoded URL. You can override this method to
provide your own message decoding.

默认情况下，data是已编码的URL链接。您可以将此方法重写为提供您自己的消息解码。

def make_request_from_data(self, data):
    url = bytes_to_str(data, self.redis_encoding)
    return self.make_requests_from_url(url)

将data转为字符串（网站链接字符串），接着调用了 make_requests_from_url，通过url构建request对象

data从哪里来？

查看RedisMixin的next_request方法

由此得知，data是从redis中pop出来的，在之前我们将data序列化后push进去，现在pop出来，我们将其反序列化并依靠它构建request对象

重写make_request_from_data

def make_request_from_data(self, data):
    data = pickle.loads(data, encoding=self.redis_encoding)
    return self.make_request_from_book_info(data)

在本例中构建request对象的方法是self.make_request_from_book_info，在实际开发中，根据目标站请求规则编写构建request的方法即可。

最终效果

启动一个生成者

scrapy crawl myspider -a producer=1

生成者将所有的关键词push完之后，会转为消费者开始消费

在多个节点上启动消费者

scrapy crawl myspider

一个爬虫的开始，总是根据现有数据采集新的数据，例如，根据列表页中的详情页链接采集详情页数据，根据关键词采集搜索结果等等。根据现有数据的不同，开始的方法也不同，大体仍是大同小异的。

Tags: Scrapy 爬虫