scrapy-redis数据去重与分布式框架

 

数据去重

• 生成指纹：利用hashlib的sha1，对request的请求体、请求url、请求方法进行加密，返回一个40位长度的16进制的字符串，称为指纹

fp = hashlib.sha1()
fp.update(to_bytes(request.method))
fp.update(to_bytes(canonicalize_url(request.url)))
fp.update(request.body or b'')
return fp.hexdigest()

• 进队：
  1. 如果请求需要过滤，并且当前请求的指纹已经在指纹集合中存在了，就不能进入队列了
  2. 如果请求需要过滤，并且请求的指纹是一个新的指纹，进入队列
  3. 如果不需要过滤，直接进入队列

def enqueue_request(self, request):
    if not request.dont_filter and self.df.request_seen(request):
        self.df.log(request, self.spider)
        return False
    self.queue.push(request)
    return True

分布式爬虫

• 类继承RedisSpider、RedisCrawlSpider
• 使用redis_key，在redis数据库中存储start_urls的键名称

每台电脑从redis数据库中对应的redis_key名称中获取url，发起请求。