哇咔咔，Python中文社区专栏作者。学习过C, C++, Python, 了解java,html, javascript基础。其中就Python而言，自己写过简单的博客(注册，登录，发帖，删帖，评论)，写过几个爬虫。
新手向，基于Redis构建的分布式爬虫。 以爬取考研网的贴子为例，利用 PyQuery, lxml 进行解析，将符合要求的文章文本存入MySQ数据库中。
结构简介
cooperator
协作模块，用于为Master&Worker模块提供代理IP支持
master
提取满足条件的文章url，并交给Worker进一步处理
Worker
解析文章内容，将符合要求的存入数据库
环境依赖
sqlalchemy => 1.0.13 pyquery => 1.2.17 requests => 2.12.3 redis => 2.10.5 lxml => 3.6.0
需要预先安装MySQL-server 和 Redis-server.
MySQL中应有名为kybsrc的数据库，且该数据库包含一个名为posts的表，拥有num(INT AUTO_INCREMENT)和post(TEXT)两个字段。
如何启动
先配置好各模块所引用的配置文件
-
为了更好地运行，cooperator/start.py 应提前开始并完成一次工作函数执行
第一次执行完后，每五分钟运行一次工作函数
-
启动 master/start.py
默认只执行一次
-
启动 worker/start.py
默认循环监听是否有新的URL待解析
核心点说明
- 通过Redis的集合类型进行代理IP和URL的传递
# Summary Reference
# ---------
# 创建句柄
def make_redis_handler():
pool = redis.ConnectionPool(host=r_server['ip'], port=r_server['port'], password=r_server['passwd'])
return redis.Redis(connection_pool=pool)
# 获得句柄
def make_proxy_handler():
return make_redis_handler()
# 保存到指定的set下
def check_and_save(self, proxy):
'pass'
self.redis_handler.sadd(r_server['s_name'], proxy)
- 由于在验证代理IP和使用封装的get_url()函数的时候网络IO较多，所以使用多线程（效果还是很明显的）。
#Summary Reference
#---------
def save_proxy_ip(self):
'pass'
for proxy in self.proxy_ip:
Thread(target=self.check_and_save, args=(proxy,)).start()
def get_url(url):
'pass'
while True:
'pass'
resp = request('get', url, headers=headers, proxies={'http': proxy})
'pass'
