什么是分布式爬蟲？分布式爬蟲實(shí)現(xiàn)方法

什么是分布式爬蟲?

分布式爬蟲就是多臺計(jì)算機(jī)上都安裝爬蟲程序，共享隊(duì)列，去重，讓多個爬蟲不爬取其他爬蟲爬取過的內(nèi)容，從而實(shí)現(xiàn)實(shí)現(xiàn)聯(lián)合采集。

三種分布式爬蟲策略：

(1)Slaver 端從 Master 端拿任務(wù)(Request/url/ID)進(jìn)行數(shù)據(jù)抓取，在抓取數(shù)據(jù)的同時也生成新任務(wù)，并將任務(wù)分配給 Master端。Master 端只有一個 Redis 數(shù)據(jù)庫，負(fù)責(zé)對 Slaver 提交的任務(wù)進(jìn)行去重、加入待爬隊(duì)列。

·優(yōu)點(diǎn)

scrapy-redis 默認(rèn)使用的就是這種策略，我們實(shí)現(xiàn)起來很簡單，因?yàn)槿蝿?wù)調(diào)度等工作 scrapy-redis 都已經(jīng)幫我們做好了，我們只需要繼承 RedisSpider、指定 redis_key 即可。

·缺點(diǎn)

scrapy-redis 調(diào)度的任務(wù)是 Request 對象，里面信息量比較大(不僅包含 URL， 還有 callback 函數(shù)、headers 等信息)，會降低爬蟲速度，而且會占用 Redis 大量的存儲空間。當(dāng)然，我們可以重寫方法實(shí)現(xiàn)調(diào)度 URL或者用戶 ID。

(2)Master 端跑一個程序去生成任務(wù)(Request/url/ID)。Master 端負(fù)責(zé)的是生產(chǎn)任務(wù)， 并把任務(wù)去重，加入到待爬隊(duì)列中。Slaver 端只負(fù)責(zé)從 Master 端獲取任務(wù)進(jìn)行爬取。

·優(yōu)點(diǎn)

將生成任務(wù)和抓取數(shù)據(jù)分開，分工明確，減少了 Master 和 Slaver 端之間的數(shù)據(jù)交流;Master 端生成任務(wù)還有一個好處，那就是可以便捷地重寫判重策略(當(dāng)數(shù)據(jù)量大時優(yōu)化判重的性能和速度還是很重要的)。

·缺點(diǎn)

像 QQ 或者新浪微博這種網(wǎng)站，發(fā)送一個請求，返回的內(nèi)容里面可能包含幾十 個待爬的用戶 ID，即幾十個新爬蟲任務(wù)。但有些網(wǎng)站一個請求只能得到一兩個新任務(wù)，并 且返回的內(nèi)容里也包含爬蟲要抓取的目標(biāo)信息，如果將生成任務(wù)和抓取任務(wù)分開反而會降低爬蟲抓取效率，畢竟帶寬也是爬蟲的一個瓶頸問題。我們要秉著發(fā)送盡量少的請求為原則，同時也是為了減輕網(wǎng)站服務(wù)器的壓力，要做一只有道德的Crawler。所以，視情況而定。

(3)Master中只有一個集合，它只有查詢的作用。Slaver 在遇到新任務(wù)時詢問 Master 此任務(wù)是否已爬，如果未爬則加入 Slaver 自己的待爬隊(duì)列中，Master 把此任務(wù)記為已爬。它和策略一比較像，但明顯比策略一簡單。策略一的簡單是因?yàn)橛?Scrapy-redis 實(shí)現(xiàn)了

scheduler中間件，它并不適用于非 Scrapy框架的爬蟲。

·優(yōu)點(diǎn)

實(shí)現(xiàn)簡單，非 Scrapy框架的爬蟲也適用。Master 端壓力比較小，Master與Slaver 的數(shù)據(jù)交流也不大。

·缺點(diǎn)

“健壯性”不夠，需要另外定時保存待爬隊(duì)列以實(shí)現(xiàn)“斷點(diǎn)續(xù)爬”功能。各Slaver的待爬任務(wù)不通用。

如果把 Slaver 比作工人，把 Master 比作工頭。策略一就是工人遇到新任務(wù)都上報(bào)給工頭，需要干活的時候就去工頭那里領(lǐng)任務(wù);策略二就是工頭去找新任務(wù)，工人只管從工頭那里領(lǐng)任務(wù)干活;策略三就是工人遇到新任務(wù)時詢問工頭此任務(wù)是否有人做了，沒有的話工人就將此任務(wù)加到自己的“行程表”。

猜你喜歡：

使用Python語言開發(fā)爬蟲有什么優(yōu)勢?

Python爬蟲入門教程 百度云盤下載 

python爬蟲可以用來做什么?

python高級軟件工程培訓(xùn)課程