一、RabbitMQ

队列

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图1

在生产者消费模型中，比如去餐馆吃饭的例子。生产者相当于厨师，队列相当于服务员，消费者就是你。

我们必须通过服务员，才能吃饭！

如果队列满了，队列会一直hold住。必须让消费者，获取一个，队列才能解除hold状态。

队列本身就有一个锁，保证数据安全

举例：

  1. import queue
  2. q = queue.Queue(maxsize=10)
  3. q.put(10)
  4. q.put(8)
  5. q.put(6)
  7. print(q.get())
  8. print(q.get())
  9. print(q.get())
  10. print(q.get())

执行输出：

  1. 10
  2. 8
  3. 6

注意：此时程序并没有结束掉！由于队列已经空了，最后一个get操作会hold住。

如果不想hold住，加一个参数block=0就可以了

  1. import queue
  2. q = queue.Queue(maxsize=10)
  3. q.put(10)
  4. q.put(8)
  5. q.put(6)
  7. print(q.get())
  8. print(q.get())
  9. print(q.get())
  10. print(q.get(block=0))

执行报错

  1. queue.Empty

这个时候，应该使用try

  1. import queue
  2. q = queue.Queue(maxsize=10)
  3. q.put(10)
  4. q.put(8)
  5. q.put(6)
  7. print(q.get())
  8. print(q.get())
  9. print(q.get())
  10. try:
  11.     print(q.get(block=0))
  12. except Exception as e:
  13.     print("raise Empty")

关于队列，请参考链接：

https://www.cnblogs.com/yuanchenqi/articles/6755717.html#_label1

什么叫消息队列

消息（Message）是指在应用间传送的数据。消息可以非常简单，比如只包含文本字符串，也可以更复杂，可能包含嵌入对象。

消息队列（Message Queue）是一种应用间的通信方式，消息发送后可以立即返回，由消息系统来确保消息的可靠传递。消息发布者只管把消息发布到 MQ 中而不用管谁来取，消息使用者只管从 MQ 中取消息而不管是谁发布的。这样发布者和使用者都不用知道对方的存在。

为何用消息队列

从上面的描述中可以看出消息队列是一种应用间的异步协作机制，那什么时候需要使用 MQ 呢？

以常见的订单系统为例，用户点击【下单】按钮之后的业务逻辑可能包括：扣减库存、生成相应单据、发红包、发短信通知。在业务发展初期这些逻辑可能放在一起同步执行，随着业务的发展订单量增长，需要提升系统服务的性能，这时可以将一些不需要立即生效的操作拆分出来异步执行，比如发放红包、发短信通知等。这种场景下就可以用 MQ ，在下单的主流程（比如扣减库存、生成相应单据）完成之后发送一条消息到 MQ 让主流程快速完结，而由另外的单独线程拉取MQ的消息（或者由 MQ 推送消息），当发现 MQ 中有发红包或发短信之类的消息时，执行相应的业务逻辑。

详细

RabbitMQ

RabbitMQ 是一个由 Erlang 语言开发的 AMQP 的开源实现。

rabbitMQ是一款基于AMQP协议的消息中间件，它能够在应用之间提供可靠的消息传输。在易用性，扩展性，高可用性上表现优秀。使用消息中间件利于应用之间的解耦，生产者（客户端）无需知道消费者（服务端）的存在。而且两端可以使用不同的语言编写，大大提供了灵活性。

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图2

官方文档：

https://www.rabbitmq.com/tutorials/tutorial-one-python.html

中文文档：

http://rabbitmq.mr-ping.com/

rabbitMQ安装

linux平台

  1. 1.安装配置epel源
  2. rpm -ivh http://dl.fedoraproject.org/pub/epel/6/i386/epel-release-6-8.noarch.rpm
  4. 2.安装erlang
  5. yum -y install erlang
  7. 3.安装RabbitMQ
  8. yum -y install rabbitmq-server
  11. 4.启动服务
  12. centos6:
  13. service rabbitmq-server start
  15. centos7:
  16. systemctl start rabbitmq-server
  19. 5.启动web管理插件
  20. rabbitmq-plugins enable rabbitmq_management
  22. 6.重启rabbitmq生效web插件
  23. centos6:
  24. service rabbitmq-server restart
  26. centos7:
  27. systemctl restart rabbitmq-server
  30. 访问页面:  http://ip地址:15672
  31. # 添加账户
  32. rabbitmqctl add_user admin 123456
  33. # 设置为超级管理员
  34. rabbitmqctl set_user_tags admin administrator

mac

  1. bogon:~ yuan$ brew install rabbitmq
  2. bogon:~ yuan$ export PATH=$PATH:/usr/local/sbin
  3. bogon:~ yuan$ rabbitmq-server

windows

  1. 1.安装erlang
  2. 双击运行opt_win64_21.1.exe
  4. 2.安装rabbitmq
  5. 双击运行 rabbitmq-server-3.7.8
  7. 3.添加windows环境变量
  8. Path=%ERLANG_HOME%\bin;%RABBITMQ_SERVER%\sbin
  10. 4.检测rabbitmq状态
  11. rabbitmqctl status
  13. 5.启动web管理插件
  14. rabbitmq-plugins enable rabbitmq_management
  16. 6.登录web管理界面，账号密码默认都是guest,guest
  17. http://127.0.0.1:15672/
  19. rabbitmq 5672  是提供客户端连接的端口，  15672是提供web管理的端口

rabbitMQ工作模型

简单模式

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图3

安装pkia

  1. pip3 install pika

示例

注意：本环境的RabbitMQ是安装在Centos 7 x64系统上面的，IP地址为：192.168.142.128，默认端口5672

生产者

producer.py

  1. import pika
  4. # 基于socket连接中间服务器上的rabbitmq
  5. connection = pika.BlockingConnection(pika.ConnectionParameters(host='192.168.142.128'))
  7. #  创建对象
  8. channel = connection.channel()
  10. # 声明一个名为hello的队列
  11. channel.queue_declare(queue='hello')
  13. # 插数据
  14. channel.basic_publish(exchange='',   # 交换机
  15.                       routing_key='hello', # 指定的队列名称
  16.                       body='Hello Yuan!')  # 值
  18. print(" [x] Sent 'Hello Yuan!'")
  19. connection.close()

注意：在简单模式中，是没有交换机的。所以exchange参数的值为空

消费者

consumer.py

  1. import pika
  3. connection = pika.BlockingConnection(pika.ConnectionParameters(host='192.168.142.128'))
  4. channel = connection.channel()
  6. # 声明一个名为hello的队列
  7. channel.queue_declare(queue='hello')
  10. # 确定回调函数
  11. def callback(ch, method, properties, body):
  12.     print(" Received %r" % body)
  15. channel.basic_consume(callback,
  16.                       queue='hello',
  17.                       no_ack=True)
  19. print(' [*] Waiting for messages. To exit press CTRL+C')
  20. channel.start_consuming()

先执行producer.py，输出：

  1. [x] Sent 'Hello Yuan!'

再执行consumer.py，输出：

  1. [*] Waiting for messages. To exit press CTRL+C
  2.  Received b'Hello Yuan!'

消费者接收到了 Hello Yuan!

为什么消费者要声明一个名为hello的队列呢？生产者，不是明明已经声明了队列了吗？

注意：

如果生产者先运行，那么就会创建hello队列。那么消费者运行时，就不会创建hello队列。这句代码，不会执行！

  1. channel.queue_declare(queue='hello')

如果消费者先执行，那么这里就会创建。假设没有创建hello队列，执行就会报错！

其实生产者和消费者，谁来创建，都无所谓。只要保证队列存在就可以了！

相关参数

(1) no-ack ＝ False

如果消费者遇到情况(its channel is closed, connection is closed, or TCP connection is lost)挂掉了，那么，RabbitMQ会重新将该任务添加到队列中。

  • 回调函数中的ch.basic_ack(delivery_tag=method.delivery_tag)
  • basic_comsume中的no_ack=False

消息接收端应该这么写:

  1. import pika
  3. connection = pika.BlockingConnection(pika.ConnectionParameters(
  4.         host='10.211.55.4'))
  5. channel = connection.channel()
  7. channel.queue_declare(queue='hello')
  9. def callback(ch, method, properties, body):
  10.     print(" [x] Received %r" % body)
  11.     import time
  12.     time.sleep(10)
  13.     print 'ok'
  14.     ch.basic_ack(delivery_tag = method.delivery_tag)
  16. channel.basic_consume(callback,
  17.                       queue='hello',
  18.                       no_ack=False)
  20. print(' [*] Waiting for messages. To exit press CTRL+C')
  21. channel.start_consuming()

(2) durable ：消息不丢失

生产者

  1. import pika
  3. connection = pika.BlockingConnection(pika.ConnectionParameters(host='10.211.55.4'))
  4. channel = connection.channel()
  6. # make message persistent
  7. channel.queue_declare(queue='hello', durable=True)
  9. channel.basic_publish(exchange='',
  10.                       routing_key='hello',
  11.                       body='Hello World!',
  12.                       properties=pika.BasicProperties(
  13.                           delivery_mode=2, # make message persistent
  14.                       ))
  15. print(" [x] Sent 'Hello World!'")
  16. connection.close()

消费者

  1. import pika
  3. connection = pika.BlockingConnection(pika.ConnectionParameters(host='10.211.55.4'))
  4. channel = connection.channel()
  6. # make message persistent
  7. channel.queue_declare(queue='hello', durable=True)
  10. def callback(ch, method, properties, body):
  11.     print(" [x] Received %r" % body)
  12.     import time
  13.     time.sleep(10)
  14.     print 'ok'
  15.     ch.basic_ack(delivery_tag = method.delivery_tag)
  17. channel.basic_consume(callback,
  18.                       queue='hello',
  19.                       no_ack=False)
  21. print(' [*] Waiting for messages. To exit press CTRL+C')
  22. channel.start_consuming()

(3) 消息获取顺序

默认消息队列里的数据是按照顺序被消费者拿走，例如：消费者1 去队列中获取 奇数 序列的任务，消费者1去队列中获取 偶数 序列的任务。

channel.basic_qos(prefetch_count=1) 表示谁来谁取，不再按照奇偶数排列

  1. import pika
  3. connection = pika.BlockingConnection(pika.ConnectionParameters(host='10.211.55.4'))
  4. channel = connection.channel()
  6. # make message persistent
  7. channel.queue_declare(queue='hello')
  10. def callback(ch, method, properties, body):
  11.     print(" [x] Received %r" % body)
  12.     import time
  13.     time.sleep(10)
  14.     print 'ok'
  15.     ch.basic_ack(delivery_tag = method.delivery_tag)
  17. channel.basic_qos(prefetch_count=1)
  19. channel.basic_consume(callback,
  20.                       queue='hello',
  21.                       no_ack=False)
  23. print(' [*] Waiting for messages. To exit press CTRL+C')
  24. channel.start_consuming()

exchange模型

3.1 发布订阅

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图4

发布订阅和简单的消息队列区别在于，发布订阅会将消息发送给所有的订阅者，而消息队列中的数据被消费一次便消失。所以，RabbitMQ实现发布和订阅时，会为每一个订阅者创建一个队列，而发布者发布消息时，会将消息放置在所有相关队列中。

关键参数：

  1. exchange type = fanout

生产者

  1. import pika
  2. import sys
  4. connection = pika.BlockingConnection(pika.ConnectionParameters(
  5.         host='localhost'))
  6. channel = connection.channel()
  8. channel.exchange_declare(exchange='logs',
  9.                          type='fanout')
  11. message = ' '.join(sys.argv[1:]) or "info: Hello World!"
  12. channel.basic_publish(exchange='logs',
  13.                       routing_key='',
  14.                       body=message)
  15. print(" [x] Sent %r" % message)
  16. connection.close()

消费者

  1. import pika
  3. connection = pika.BlockingConnection(pika.ConnectionParameters(
  4.         host='localhost'))
  5. channel = connection.channel()
  7. channel.exchange_declare(exchange='logs',
  8.                          type='fanout')
  10. result = channel.queue_declare(exclusive=True)
  11. queue_name = result.method.queue
  13. channel.queue_bind(exchange='logs',
  14.                    queue=queue_name)
  16. print(' [*] Waiting for logs. To exit press CTRL+C')
  18. def callback(ch, method, properties, body):
  19.     print(" [x] %r" % body)
  21. channel.basic_consume(callback,
  22.                       queue=queue_name,
  23.                       no_ack=True)
  25. channel.start_consuming()

3.2 关键字发送

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图5

关键参数

  1. exchange type = direct

之前事例，发送消息时明确指定某个队列并向其中发送消息，RabbitMQ还支持根据关键字发送，即：队列绑定关键字，发送者将数据根据关键字发送到消息exchange，exchange根据 关键字 判定应该将数据发送至指定队列。

  1. import pika
  2. import sys
  4. connection = pika.BlockingConnection(pika.ConnectionParameters(
  5.         host='localhost'))
  6. channel = connection.channel()
  8. channel.exchange_declare(exchange='direct_logs',
  9.                          type='direct')
  11. result = channel.queue_declare(exclusive=True)
  12. queue_name = result.method.queue
  14. severities = sys.argv[1:]
  15. if not severities:
  16.     sys.stderr.write("Usage: %s [info] [warning] [error]\n" % sys.argv[0])
  17.     sys.exit(1)
  19. for severity in severities:
  20.     channel.queue_bind(exchange='direct_logs',
  21.                        queue=queue_name,
  22.                        routing_key=severity)
  24. print(' [*] Waiting for logs. To exit press CTRL+C')
  26. def callback(ch, method, properties, body):
  27.     print(" [x] %r:%r" % (method.routing_key, body))
  29. channel.basic_consume(callback,
  30.                       queue=queue_name,
  31.                       no_ack=True)
  33. channel.start_consuming()

3.3 模糊匹配

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图6

关键参数

  1. exchange type = topic
  2. 发送者路由值              队列中
  3. old.boy.python          old.*  -- 不匹配
  4. old.boy.python          old.#  -- 匹配

在topic类型下，可以让队列绑定几个模糊的关键字，之后发送者将数据发送到exchange，exchange将传入”路由值“和 ”关键字“进行匹配，匹配成功，则将数据发送到指定队列。

  • 表示可以匹配 0 个 或 多个 单词

    • 表示只能匹配 一个 单词

示例：

  1. import pika
  2. import sys
  4. connection = pika.BlockingConnection(pika.ConnectionParameters(
  5.         host='localhost'))
  6. channel = connection.channel()
  8. channel.exchange_declare(exchange='topic_logs',
  9.                          type='topic')
  11. result = channel.queue_declare(exclusive=True)
  12. queue_name = result.method.queue
  14. binding_keys = sys.argv[1:]
  15. if not binding_keys:
  16.     sys.stderr.write("Usage: %s [binding_key]...\n" % sys.argv[0])
  17.     sys.exit(1)
  19. for binding_key in binding_keys:
  20.     channel.queue_bind(exchange='topic_logs',
  21.                        queue=queue_name,
  22.                        routing_key=binding_key)
  24. print(' [*] Waiting for logs. To exit press CTRL+C')
  26. def callback(ch, method, properties, body):
  27.     print(" [x] %r:%r" % (method.routing_key, body))
  29. channel.basic_consume(callback,
  30.                       queue=queue_name,
  31.                       no_ack=True)
  33. channel.start_consuming()

由于时间关系，详细过程略…

本文参考链接：

https://www.cnblogs.com/yuanchenqi/articles/8507109.html

二、基于scrapy-redis实现分布式爬虫

Scrapy-Redis则是一个基于Redis的Scrapy分布式组件。它利用Redis对用于爬取的请求(Requests)进行存储和调度(Schedule)，并对爬取产生的项目(items)存储以供后续处理使用。scrapy-redi重写了scrapy一些比较关键的代码，将scrapy变成一个可以在多个主机上同时运行的分布式爬虫。

单机玩法：

Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图7

按照正常流程就是大家都会进行重复的采集;我们都知道进程之间内存中的数据不可共享的，那么你在开启多个Scrapy的时候，它们相互之间并不知道对方采集了些什么那些没有没采集。那就大家伙儿自己玩自己的了。完全没没有效率的提升啊！

怎么解决呢？

这就是我们Scrapy-Redis解决的问题了，不能协作不就是因为请求和去重这两个不能共享吗？

那我把这两个独立出来好了。

将Scrapy中的调度器组件独立放到大家都能访问的地方不就OK啦！加上scrapy，Redis的后流程图就应该变成这样了

分布式玩法：Day140 RabbitMQ,基于scrapy-redis实现分布式爬虫 - 图8

1. redis连接

配置scrapy使用redis提供的共享去重队列

  1. # 在settings.py中配置链接Redis
  2. REDIS_HOST = 'localhost'                            # 主机名
  3. REDIS_PORT = 6379                                   # 端口
  4. REDIS_URL = 'redis://user:pass@hostname:9001'       # 连接URL（优先于以上配置）
  5. REDIS_PARAMS  = {}                                  # Redis连接参数
  6. REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定连接Redis的Python模块
  7. REDIS_ENCODING = "utf-8"                            # redis编码类型  
  8. # 默认配置：\python3.6\Lib\site-packages\scrapy_redis\defaults.py

2. dupefilter

  1. DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
  2. #使用scrapy-redis提供的去重功能，查看源码会发现是基于Redis的集合实现的
  5. # 需要指定Redis中集合的key名，key=存放不重复Request字符串的集合
  6. DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'
  7. #源码：dupefilter.py内一行代码key = defaults.DUPEFILTER_KEY % {'timestamp': int(time.time())}

3. Scheduler

  1. #1、源码：\python3.6\Lib\site-packages\scrapy_redis\scheduler.py
  4. #2、settings.py配置
  6. # Enables scheduling storing requests queue in redis.
  7. SCHEDULER = "scrapy_redis.scheduler.Scheduler"       
  9. # 调度器将不重复的任务用pickle序列化后放入共享任务队列，默认使用优先级队列（默认），其他：PriorityQueue（有序集合），FifoQueue（列表）、LifoQueue（列表）               
  10. SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'          
  12. # 对保存到redis中的request对象进行序列化，默认使用pickle
  13. SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"   
  15. # 调度器中请求任务序列化后存放在redis中的key               
  16. SCHEDULER_QUEUE_KEY = '%(spider)s:requests'    
  18. # 是否在关闭时候保留原来的调度器和去重记录，True=保留，False=清空                     
  19. SCHEDULER_PERSIST = True       
  21. # 是否在开始之前清空 调度器和去重记录，True=清空，False=不清空                                     
  22. SCHEDULER_FLUSH_ON_START = False    
  24. # 去调度器中获取数据时，如果为空，最多等待时间（最后没数据，未获取到）。如果没有则立刻返回会造成空循环次数过多，cpu占用率飙升                                
  25. SCHEDULER_IDLE_BEFORE_CLOSE = 10           
  27. # 去重规则，在redis中保存时对应的key                         
  28. SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'      
  30. # 去重规则对应处理的类，将任务request_fingerprint(request)得到的字符串放入去重队列            
  31. SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'

4. RedisPipeline(持久化)

  1. ITEM_PIPELINES = {   'scrapy_redis.pipelines.RedisPipeline': 300, }
  3. #将item持久化到redis时，指定key和序列化函数
  5. REDIS_ITEMS_KEY = '%(spider)s:items'
  6. REDIS_ITEMS_SERIALIZER = 'json.dumps'

5. 从Redis中获取起始URL

  1. scrapy程序爬取目标站点，一旦爬取完毕后就结束了，如果目标站点更新内容了，我们想重新爬取，那么只能再重新启动scrapy，非常麻烦
  2. scrapy-redis提供了一种供，让scrapy从redis中获取起始url，如果没有scrapy则过一段时间再来取而不会关闭
  3. 这样我们就只需要写一个简单的脚本程序，定期往redis队列里放入一个起始url。
  5. #具体配置如下
  7. #1、编写爬虫时，起始URL从redis的Key中获取
  8. REDIS_START_URLS_KEY = '%(name)s:start_urls'
  10. #2、获取起始URL时，去集合中获取还是去列表中获取？True，集合；False，列表
  11. REDIS_START_URLS_AS_SET = False    # 获取起始URL时，如果为True，则使用self.server.spop；如果为False，则使用self.server.lpop

由于时间关系，详细过程略…

本文参考链接：

https://www.cnblogs.com/yuanchenqi/articles/9509793.html#_label7

未完待续…