“百行代码”实现简单的Python分布式爬虫

本篇文章属于进阶知识，可能会用到以前出现在专栏文章中的知识，如果你是次关注本专栏，建议你先阅读下其他文章：查询--爬虫（计算机网络）

现在搞爬虫的人，可能被问的多的问题就是“你会不会分布式爬虫？”。给人的感觉就是你不会分布式爬虫，都不好意思说自己是搞爬虫的。但其实分布式爬虫的原理比较简单，大多数的业务用不到分布式模式。

所谓的分布式爬虫，就是多台机器合作进行爬虫工作，提高工作效率。

分布式爬虫需要考虑的问题有：

（1）如何从一个统一的接口获取待抓取的URL？

（2）如何保证多台机器之间的排重操作？即保证不会出现多台机器同时抓取同一个URL。

（3）当多台机器中的一台或者几台挂掉，如何保证任务继续，且数据不会丢失？

这里首先利用Redis数据库解决前两个问题。

Redis数据库是一种key-value数据库，它本身包含了一些比较好的特性，比较适合解决分布式爬虫的问题。关于Redis的一些基本概念、操作等，建议读者自行百度。我们这里使用到Redis中自带的“消息队列”，来解决分布式爬虫问题。具体实现步骤如下：

1. 在Redis中初始化两条key-value数据，对应的key分别为spider.wait和spider.all。
2. spider.wait的value是一个list队列，存放我们待抓取的URL。该数据类型方便我们实现消息队列。我们使用lpush操作添加URL数据，同时使用brpop监听并获取取URL数据。
3. spider.all的value是一个set集合，存放我们所有待抓取和已抓取的URL。该数据类型方便我们实现排重操作。我们使用sadd操作添加数据。

在我的代码中，我是在原来爬虫框架的基础上，添加了分布式爬虫模式（一个文件），该文件的代码行数大概在100行左右，所以文章标题为“百行代码”。但实际上，在每台客户端机器上，我都使用了多线程爬虫框架。即：

（1）每台机器从Redis获取待抓取的URL，执行“抓取--解析--保存”的过程

（2）每台机器本身使用多线程爬虫模式，即有多个线程同时从Redis获取URL并抓取

（3）每台机器解析数据得到的新的URL，会传回Redis数据库，同时保证数据一致性

（4）每台机器单独启动自己的爬虫，之后单独关闭爬虫任务，没有自动功能

具体可查看代码：distributed_threads.py

这里的代码还不够完善，主要还要如下的问题：

• 抓取的数据如何统一汇总。解决方法：可以统一保存到某个数据库
• 如何解决第3个问题，即当某台机器挂掉，如何保证数据不丢失
• 如何自动启动、关闭分布式爬虫

有兴趣解决问题的，可以fork代码之后，自行修改，并提交pull-requests。

=============================================================

作者主页：笑虎（Python爱好者，关注爬虫、数据分析、数据挖掘、数据可视化等）

作者专栏主页：撸代码，学知识 - 知乎专栏

作者GitHub主页：撸代码，学知识 - GitHub

欢迎大家拍砖、提意见。相互交流，共同进步！

==============================================================