爬虫学习——使用HTTP服务代理、redis使用、通过Scrapy实现分布式爬取

一、使用HTTP服务代理

由于网络环境、网站对用户的访问速度的限制等原因，使得爬取过程会出现IP被封禁，故使用代理可提高爬取速度。在Scrapy中提供了一个HttpProxyMiddleware专门用于进行爬虫代理设置。在使用该代理进行爬取操作时，需要先在bash中设置好系统环境变量，然后使用该代理设置自动默认获取*****_proxy的路径作为代理路径。此外，还可以实现使用多个代理。

二、redis使用

在Ubuntu中使用apt-get对redis进行安装。

其安装指令为：sudo apt-get install redis-server

其开启/重启、停止服务器指令为：sudo service redis-server start/restart/start

redis默认在127.0.0.1:6379上开启服务，可以使用netstat -ntl命令进行查询。如果想让其他的计算机被监听和访问，可以在redis配置文件/etc/redis/redis.conf中对监听地址进行修改和扩展，使用redis-cli-h IP地址 -p 端口号，来链接服务器；查看链接数据库是否成功使用PING，若返回PONG，则说明连接成功。相关redis的官方文档为：Redis - The Real-time Data Platform

redis支持五种Key类型：字符串、列表、字典，有序字典、哈希。此外，除了在ubuntu中可以使用redis，在python中也可使用redis，使用sudo pip install redis即可，然后import redis导入使用即可。

三、通过Scrapy实现分布式爬取

使用scrapy-redis实现分布式爬取，分布式的本质就是“人多力量大”，首先找到可以使用的多个LINIX主机并获取各主机的IP地址，然后在各个主机中安装scrapy和scrapy-redis

安装指令为：pip install scarpy；pip install scrapy-redis，从多个主机中选择一个作为供所有爬虫使用的redis数据库，并在该主机上安装redis-server；然后在redis配置文件(/etc/redis/redis.conf)中修改服务器的地址，确保该数据库能被所有的爬虫进行访问；然后重启redis服务器即可。然后测试多个主机能否访问设定为redis数据库的主机(redis-cli -h IP地址 ping，返回为PONG则说明连接成功)