Python利用Scrapy框架部署分布式爬虫

其实我们知道Scrapy框架本身并不直接支持分布式爬虫，但是我们可以借助Scrapy-Redis库来实现分布式爬虫。Scrapy-Redis利用Redis数据库作为共享队列，这样就可以允许多个Scrapy爬虫实例协同工作，最终从而实现分布式爬取。

使用Scrapy框架部署分布式爬虫，最主要依赖 Scrapy-Redis 库来实现任务分发和状态共享。以下是详细步骤和代码示例可以供大家参考：

核心原理

利用 Redis 数据库 作为共享队列，实现：

1、统一的任务调度（Scheduler）

2、分布式去重（Dupefilter）

3、数据汇总存储

部署步骤

1. 环境准备

pip install scrapy scrapy-redis redis

确保所有机器可访问 Redis 服务器（需提前安装并运行）。

2. 修改 Scrapy 项目

(1) settings.py 配置

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

# 启用 Redis 去重
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

# 持久化任务队列（爬虫暂停后不丢失）
SCHEDULER_PERSIST = True

# Redis 连接设置
REDIS_HOST = '192.168.1.100'  # Redis 服务器 IP
REDIS_PORT = 6379
# REDIS_PASSWORD = 'your_password'  # 如果有密码

# 使用 RedisPipeline 存储数据
ITEM_PIPELINES = {
    'scrapy_redis.pipelines.RedisPipeline': 300,
}

# 可选：爬虫起始键名（自定义）
REDIS_START_URLS_KEY = 'my_spider:start_urls'

(2) 爬虫文件（如 my_spider.py）

from scrapy_redis.spiders import RedisSpider

class MyDistributedSpider(RedisSpider):
    name = 'distributed_spider'
    redis_key = 'my_spider:start_urls'  # 与 settings 中的键一致

    def parse(self, response):
        # 解析逻辑
        yield {
            'title': response.css('h1::text').get(),
            'url': response.url
        }
        # 提取新链接并加入队列
        for next_page in response.css('a::attr(href)').getall():
            yield response.follow(next_page, callback=self.parse)

3. 向 Redis 添加起始 URL

在 Redis 中插入起始 URL（所有爬虫从此处取任务）：

redis-cli lpush my_spider:start_urls https://example.com/page1
redis-cli lpush my_spider:start_urls https://example.com/page2

4. 部署到多台机器

1、将项目代码复制到所有工作节点。

2、确保每台机器：

• 能访问 Redis 服务器
• 安装相同的 Python 依赖

3、在各节点启动爬虫：

scrapy crawl distributed_spider

高级配置

自定义调度队列：

# settings.py
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'  # 默认优先级队列
# 可选：FifoQueue（先进先出）, LifoQueue（后进先出）

增量爬取控制：
设置 SCHEDULER_FLUSH_ON_START = True 启动时清空队列（默认 False）。

数据存储位置：
爬取结果自动存入 Redis 键 distributed_spider:items（爬虫名作为前缀）。

监控与管理

1、查看 Redis 队列状态：

redis-cli
> KEYS *  # 查看所有键
> LLEN my_spider:start_urls  # 查看待爬队列长度
> SMEMBERS distributed_spider:dupefilter  # 查看去重指纹集合

2、动态添加新任务：

redis-cli lpush my_spider:start_urls "https://new-url.com"

常见问题解决

爬虫不工作：

• 检查 Redis 连接（防火墙、密码）。
• 确认 redis_key 名称在爬虫和 Redis 中一致。

去重失效：

• 确保所有爬虫使用相同的 DUPEFILTER_CLASS。

性能瓶颈：

• 增加 Redis 内存或使用集群。
• 优化爬虫解析逻辑（避免阻塞操作）。

完整架构图

+----------------+      +----------------+      +----------------+
|  爬虫节点 1    |      |  爬虫节点 2    |      |  爬虫节点 N    |
| (运行Scrapy)   |      | (运行Scrapy)   | ...  | (运行Scrapy)   |
+-------+--------+      +-------+--------+      +-------+--------+
        |                       |                       |
        |      从Redis取任务      |                       |
        +------------+-----------+-----------------------+
                     |
              +------v------+
              |   Redis     |
              | (中央调度)   |
              +------+------+
                     |
              +------v------+
              | 数据存储/处理 | (如MySQL、MongoDB、文件)
              +-------------+

通过以上步骤，是不是觉得也不是很难，这样就可以让 Scrapy 爬虫即可实现分布式部署，轻松应对大规模数据抓取任务！