基于Scrapy-Redis框架与Mongodb的分布式爬虫-elasticsearch搜索引擎打造

安逸的小学期开发生活结束了。

关于环境

本文的爬虫部分基于Python3.6，而Scrapy框架默认支持Python2，对于Python3需要手动安装：

  • Twisted
  • Lxml
  • pywin32

这里是编译好各种库的版本。

从Scrapy新建项目、中途需要各种第三方库到最后的Scrapy执行爬虫、后文搜索引擎打造，都需要熟悉自己的环境变量(python、pip等版本)，并善用python3 -m命令指定Python版本。

本项目所有操作在Windows10这个不友好的开发环境上完成，因此涉及到各种服务的启停、shell进入时需要手动定位可执行文件，并在正确目录下执行命令。

实现功能

  • 利用Scrapy框架和Xpath解析网页信息并抓取
  • Scrapy-redis实现分布式
  • 分页抓取并存储到Mongodb数据库
  • 使用Crawlera和随机UA突破反爬
  • 通过elasticsearch同步Mongodb打造搜索引擎

本文最重要的部分是Mongodb直接同步Elasticsearch打造搜索引擎的内容，是互联网中文资料的纠错和整合，因此我把它提到了第一部分。

通过elasticsearch同步Mongodb打造搜索引擎

elasticsearch简介

elasticsearch是java开发的一个基于lucene的搜索服务器，分布式多用户的全文搜索引擎， 基于restful web接口。

elasticsearch基础概念：

  • 集群：一个或多个节点组织在一起。
  • 节点：一个集群中的一台服务器。
  • 分片：索引划分为多份的能力，允许水平分割，扩展容量，多个分片响应请求。
  • 副本：分片的一份或多分，一个节点失败，其他节点顶上。

对应关系：
es | 数据库
—|—
index | 数据库
type | 表
document | 行
fields | 列

elasticsearch配置

使用elasticsearch的中文发行版elasticsearch-rtf，已经集成了大量需要用到的插件，而elasticsearch官网版缺少很多插件。

配置elasticsearch.yml：

http.cors.enabled: true 
http.cors.allow-origin: "*"
http.cors.allow-methods: OPTIONS,HEAD,GET,POST,PUT,DELETE
http.cors.allow-headers: "X-Requested-With,Content-Type,Content-Length,X-User"

配置好后执行elasticsearch.bat，服务映射在本地9200端口。

还需额外安装插件：

用于管理数据库，基于浏览器。

npm run start启动服务，映射在本地9100端口。

npm install可能由于源的问题安装失败，推荐淘宝NPM镜像cnpm。

执行npm install -g cnpm --registry=https://registry.npm.taobao.org后，将所有npm命令换为cnpm。

(编辑elasticsearch.yml后从elasticsearch-head连接，集群健康值代表连接成功。)

Kibana需要和head的版本对应。

执行/bin目录下的kibana.bat启动服务，映射在本地5601端口。

连接Mongodb数据库：

  • Mongodb开启副本集
#首先停止Mongodb服务(很重要)

#自己设定数据集所在目录
 cd 
 mkdir dumps && cd dumps
 mkdir rs0

#切换到mongo目录
 cd /usr/bin

#从mongod设置副本集rs0
 mongod --dbpath "/home/yutaotao/dumps/rs0" --replSet "rs0"

#在Mongo shell中初始化
 rs.initiate()
  • 利用mongo-connector连接

安装mongo-connector、elastic-doc-manager(注意这里不是下划线)。

在上一步中保持mongo服务运行，开启elasticsearch服务，执行：

mongo-connector -m 127.0.0.1:27017 -t 127.0.0.1:9200 -d elastic_doc_manager

即可连接mongo和es，此后对Mongodb的增删改查都将同步到elasticsearch。

注意看我的命令，Windows下我做了许多细微的调整。

接下来重新爬取并存储Mongodb：

查看elasticsearch：

索引建立成功了！鸡冻！！

这一部分我经过了漫长的调试和排错，每重试一次都要开上十个不同地方的shell一步一步输命令…如果在Linux下会好很多。

elasticsearch此时已经自动建立了mapping映射：

查看数据：

通过Kibana的命令行已经可以实现搜索，用_search方法：

可以看出来还是比较智能的，已经实现了中文分词。

利用Scrapy框架和Xpath解析网页信息并抓取

scrapy中文文档：http://scrapy-chs.readthedocs.io/zh_CN/latest/index.html

Scrapy整体架构图：

直接爬取25页结果：

(DEBUG:200可能是由于js的解析问题，其实已经成功爬取。)

scrapy-redis实现分布式

使用redis数据库来替换scrapy原本使用的队列结构（deque）
scrapy-redis提供了Scheduler、Dupefilter、Pipeline、Spider组件。

对于已有的scrapy程序扩展成分布式程序：
找一台高性能服务器，用于redis队列的维护以及数据的存储。

扩展scrapy程序，让其通过服务器的redis来获取start_urls，并改写pipeline里数据存储部分，把存储地址改为服务器地址。

分布式原理：
scrapy-redis实现分布式，其实从原理上来说很简单，这里为描述方便，我们把自己的核心服务器称为master，而把用于跑爬虫程序的机器称为slave。

我们知道，采用scrapy框架抓取网页，我们需要首先给定它一些start_urls，爬虫首先访问start_urls里面的url，再根据我们的具体逻辑，对里面的元素、或者是其他的二级、三级页面进行抓取。而要实现分布式，我们只需要在这个starts_urls里面做文章就行了。

我们在master上搭建一个redis数据库（注意这个数据库只用作url的存储，不关心爬取的具体数据，不要和后面的mongodb或者mysql混淆），并对每一个需要爬取的网站类型，都开辟一个单独的列表字段。通过设置slave上scrapy-redis获取url的地址为master地址。这样的结果就是，尽管有多个slave，然而大家获取url的地方只有一个，那就是服务器master上的redis数据库。

并且，由于scrapy-redis自身的队列机制，slave获取的链接不会相互冲突。这样各个slave在完成抓取任务之后，再把获取的结果汇总到服务器上（这时的数据存储不再在是redis，而是mongodb或者 mysql等存放具体内容的数据库了）。

这种方法的还有好处就是程序移植性强，只要处理好路径问题，把slave上的程序移植到另一台机器上运行，基本上就是复制粘贴的事情。

改写爬虫文件后，执行scrapy crawl top250时不再爬取数据，而是处于监听状态。

启用redis服务并在redis-cli中添加start url，则爬虫开始多进程执行。

lpush myspider:start_urls https://movie.douban.com/top250

此处的演示为伪-分布式，如果在多机器执行则为分布式。

分页抓取并存储到Mongodb数据库

在不连接数据库的情况下，数据存储也很方便，Scrapy提供了直接的数据导出功能，可以添加-o参数，将结果导出到csv、json文件。

这里为练习数据库操作直接存储到数据库。使用pymongo库后在scrapy中只需要简单的配置：

class DoubanPipeline(object):
#连接 Mongodb
    def __init__(self):
        host = mongo_host
        port = mongo_port
        dbname = mongo_db_name
        sheetname = mongo_db_collection
        client = pymongo.MongoClient(host=host,port=port)
        mydb = client[dbname]
        self.post = mydb[sheetname]

对于Mongodb这个nosql数据库我使用了NoSQL Manager for MongoDB进行管理。

(此处是玄学之字体重叠)

shell中的查询操作也很简单：

use douban
show collections;
db.douban_top250.find()
db.douban_top250.find().pretty()

使用Crawlera和随机UA突破反爬

Crawlera

crawlera是一个利用代理IP地址池来做分布式下载的第三方平台。

crawlera官方网址：http://scrapinghub.com/crawlera

crawlera帮助文档：http://doc.scrapinghub.com/crawlera.html

使用介绍：https://www.cnblogs.com/rwxwsblog/p/4582127.html

随机UA

后记

这是一个为期6天的开发项目。多亏Python爬虫领域已经有完善的资料供搜查，让我这个开发小白体会到更多的是乐趣而不是困难。

文章目录
  1. 1. 关于环境
  2. 2. 实现功能
    1. 2.1. 通过elasticsearch同步Mongodb打造搜索引擎
      1. 2.1.1. elasticsearch简介
      2. 2.1.2. elasticsearch配置
      3. 2.1.3. 连接Mongodb数据库：
    2. 2.2. 利用Scrapy框架和Xpath解析网页信息并抓取
      1. 2.2.1. Scrapy整体架构图：
    3. 2.3. scrapy-redis实现分布式
    4. 2.4. 分页抓取并存储到Mongodb数据库
    5. 2.5. 使用Crawlera和随机UA突破反爬
      1. 2.5.1. Crawlera
      2. 2.5.2. 随机UA
  3. 3. 后记
|