如何使用Python从零开始构建Redis-Scrapy的分布式爬虫系统？

本文共计771个文字，预计阅读时间需要4分钟。

Scrapy-Redis分布式策略介绍：设有四台电脑：Windows 10、Mac OS X、Ubuntu 16.04、CentOS 7.2。任意一台电脑均可作为Master端或Slaver端，例如：Master端（核心服务器）：使用Windows 10搭建。

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。

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。

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。

一、安装Redis

安装Redis：​​redis.io/download​​

安装完成后，拷贝一份Redis安装目录下的redis.conf到任意目录，建议保存到：​​/etc/redis/redis.conf​​（Windows系统可以无需变动)

二、修改配置文件 redis.conf

打开你的redis.conf配置文件，示例:

• 非Windows系统:​​sudo vi /etc/redis/redis.conf​​
• Windows系统：​​C:\Intel\Redis\conf\redis.conf​​

Master端redis.conf里注释​​bind 127.0.0.1​​，Slave端才能远程连接到Master端的Redis数据库。

• ​​daemonize yno​​表示Redis默认不作为守护进程运行，即在运行​​redis-server /etc/redis/redis.conf​​时，将显示Redis启动提示画面；

• ​​daemonize yes​​则默认后台运行，不必重新启动新的终端窗口执行其他命令，看个人喜好和实际需要。

三、测试Slave端远程连接Master端

测试中，Master端Windows 10 的IP地址为：​​192.168.199.108​​

Master端按指定配置文件启动​​redis-server​​，示例：

• 非Windows系统：​​sudo redis-server /etc/redis/redis/conf​​
• Windows系统：​​命令提示符(管理员)​​模式下执行​​redis-server C:\Intel\Redis\conf\redis.conf​​读取默认配置即可。

Master端启动本地​​redis-cli​​：

slave端启动​​redis-cli -h 192.168.199.108​​，-h 参数表示连接到指定主机的redis数据库

注意：Slave端无需启动​​redis-server​​，Master端启动即可。只要 Slave 端读取到了 Master 端的 Redis 数据库，则表示能够连接成功，可以实施分布式。

四、Redis数据库桌面管理工具

这里推荐 Redis Desktop Manager，支持 Windows、Mac OS X、Linux 等平台：

下载地址：​​redisdesktop.com/download​​