python分布式爬虫中spider_Worker节点

798次阅读
没有评论

python分布式爬虫中spider_Worker节点

当包裹被送到一个地点后,需要分配到不同的地方才算整个过程的结束。那么把这个过程放到分布式爬虫中,Master节点负责了前期搬运和分类包裹的工作,剩下的任务小伙伴们都猜到了,spider_Worker节点就承担了最后的配送任务。我们也可以换种理解的方法,Worker是一个搬运工人的意思。那么我们今天就spider_Worker节点在python分布式爬虫中的使用给大家带来分享。

在将多线程版本改写成分布式的爬虫,主要用的可跨平台的multiprocessing.managers的BaseManager模块,这个模块的主要功能就是将task_queue和result_queue两个队列注册成函数暴露到网上去,Master节点监听端口,让Worker子节点去连接,不同主机之间就可以通过注册的函数来共享同步资源,Master节点主要负责发送任务和获取结果,Worker就获取任务队列的任务开始跑,并将获取的结果存储到数据库获取返回回来。Scrapy框架下的Spider类是什么

spider_Worker 节点主要调用spider()函数对任务进行处理,方法都类似,子节点每获取一个链接就传回Master, 另外需要注意的是Master文件只能运行一个,但Worker节点可以同时运行多个并行同步处理task任务队列。

spider_Master.py

#coding:utf-8
from multiprocessing.managers import BaseManager
from Queue import Queue
import time
import argparse
import MySQLdb
import sys
 
page = 2
word = 'inurl:login.action'
output = 'test.txt'
 
page = (page+1) * 10
 
host = '127.0.0.1'
port = 500
urls = []
 
class Master():
def __init__(self):
        self.task_queue = Queue() #server需要先创建两个共享队列,worker端不需要
        self.result_queue = Queue()
 
def start(self):
        BaseManager.register('get_task_queue',callable=lambda:self.task_queue) #在网络上注册一个get_task_queue函数,即把两个队列暴露到网上,worker端不需要callable参数
        BaseManager.register('get_result_queue',callable=lambda:self.result_queue)
 
        manager = BaseManager(address=(host,port),authkey='sir')
        manager.start() #master端为start,即开始监听端口,worker端为connect
 
        task = manager.get_task_queue() #master和worker都是从网络上获取task队列和result队列,不能在创建的两个队列
        result = manager.get_result_queue()
 
 
print 'put task'
for i in range(0,page,10):
            target = 'https://www.baidu.com/s?wd=%s&pn=%s'%(word,i)
print 'put task %s'%target
            task.put(target)
 
print 'try get result'
while True:
try:
                url = result.get(True,5) #获取数据时需要超时长一些
print url
                urls.append(url)
except:
break
        manager.shutdown()
 
if __name__ == '__main__':
    start = time.time()
    server = Master()
    server.start()
print '共爬取数据%s条'%len(urls)
print time.time()-start
with open(output,'a') as f:
for url in urls:
            f.write(url[1]+'\n')
 
    conn = MySQLdb.connect('localhost','root','root','Struct',charset='utf8')
    cursor = conn.cursor()
for record in urls:
        sql = "insert into s045 values('%s','%s','%s')"%(record[0],record[1],str(record[2]))
        cursor.execute(sql)
    conn.commit()
conn.close()

 

spider_Worker

#coding:utf-8
 
 
import re
import Queue
import time
import requests
from multiprocessing.managers import BaseManager
from bs4 import BeautifulSoup as bs
 
 
host = '127.0.0.1'
port = 500
 
 
 
class Worder():
def __init__(self):
        self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0'}
 
def spider(self,target,result):
        urls = []
        pn = int(target.split('=')[-1])/10 +1
# print pn
# print target
        html = requests.get(target,headers=self.headers)
        soup = bs(html.text,"lxml")
        res = soup.find_all(name="a", attrs={'class':'c-showurl'})
for r in res:
try:
                h = requests.get(r['href'],headers=self.headers,timeout=3)
if h.status_code == 200:
                    url = h.url
# print url
                    time.sleep(1)
                    title = re.findall(r'<title>(.*?)</title>',h.content)[0]
# print url,title
                    title = title.decode('utf-8')
print 'send spider url:',url
                    result.put((pn,url,title))
else:
continue
except:
continue
 
# return urls
 
 
def start(self):
        BaseManager.register('get_task_queue')
        BaseManager.register('get_result_queue')
 
print 'Connect to server %s'%host
        m = BaseManager(address=(host,port),authkey='sir')
        m.connect()
 
        task = m.get_task_queue()
        result = m.get_result_queue()
 
print 'try get queue'
while True:
try:
                target = task.get(True,1)
print 'run pages %s'%target
                res = self.spider(target,result)
# print res
 
except:
break
 
 
 
 
if __name__ == '__main__':
    w = Worder()
w.start()

 

看完本篇文章,相信大家对spider_Worker节点这个辛勤的搬运工有了新的认识,毕竟它承担了爬虫任务最后的配送环节,大家对最终的结果都是比较期待的。

 

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:wuyou2021-05-21发表,共计3847字。
新手QQ群:570568346,欢迎进群讨论 Python51学习