教育行业A股IPO第一股(股票代码 003032)

全国咨询/投诉热线:400-618-4000

什么是分布式爬虫?分布式爬虫实现方法

更新时间:2020年09月29日11时46分 来源:传智播客 浏览次数:

什么是分布式爬虫?

分布式爬虫就是多台计算机上都安装爬虫程序,共享队列,去重,让多个爬虫不爬取其他爬虫爬取过的内容,从而实现实现联合采集。

三种分布式爬虫策略:

(1)Slaver 端从 Master 端拿任务(Request/url/ID)进行数据抓取,在抓取数据的同时也生成新任务,并将任务分配给 Master端。Master 端只有一个 Redis 数据库,负责对 Slaver 提交的任务进行去重、加入待爬队列。

·优点

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 即可。

·缺点

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),会降低爬虫速度,而且会占用 Redis 大量的存储空间。当然,我们可以重写方法实现调度 URL或者用户 ID。

(2)Master 端跑一个程序去生成任务(Request/url/ID)。Master 端负责的是生产任务, 并把任务去重,加入到待爬队列中。Slaver 端只负责从 Master 端获取任务进行爬取。

·优点

将生成任务和抓取数据分开,分工明确,减少了 Master 和 Slaver 端之间的数据交流;Master 端生成任务还有一个好处,那就是可以便捷地重写判重策略(当数据量大时优化判重的性能和速度还是很重要的)。

·缺点

像 QQ 或者新浪微博这种网站,发送一个请求,返回的内容里面可能包含几十 个待爬的用户 ID,即几十个新爬虫任务。但有些网站一个请求只能得到一两个新任务,并 且返回的内容里也包含爬虫要抓取的目标信息,如果将生成任务和抓取任务分开反而会降低爬虫抓取效率,毕竟带宽也是爬虫的一个瓶颈问题。我们要秉着发送尽量少的请求为原则,同时也是为了减轻网站服务器的压力,要做一只有道德的Crawler。所以,视情况而定。

(3)Master中只有一个集合,它只有查询的作用。Slaver 在遇到新任务时询问 Master 此任务是否已爬,如果未爬则加入 Slaver 自己的待爬队列中,Master 把此任务记为已爬。它和策略一比较像,但明显比策略一简单。策略一的简单是因为有 Scrapy-redis 实现了

scheduler中间件,它并不适用于非 Scrapy框架的爬虫。

·优点

实现简单,非 Scrapy框架的爬虫也适用。Master 端压力比较小,Master与Slaver 的数据交流也不大。

·缺点

“健壮性”不够,需要另外定时保存待爬队列以实现“断点续爬”功能。各Slaver的待爬任务不通用。

如果把 Slaver 比作工人,把 Master 比作工头。策略一就是工人遇到新任务都上报给工头,需要干活的时候就去工头那里领任务;策略二就是工头去找新任务,工人只管从工头那里领任务干活;策略三就是工人遇到新任务时询问工头此任务是否有人做了,没有的话工人就将此任务加到自己的“行程表”。

猜你喜欢:

使用Python语言开发爬虫有什么优势?

Python爬虫入门教程 百度云盘下载 

python爬虫可以用来做什么?

python高级软件工程培训课程

0 分享到:
和我们在线交谈!