分布式爬取豆瓣电影

1 前言

前一阵子看了不少关于分布式爬虫系统的设计相关的博客,现在也想写个练练手,就拿大家都喜欢看的豆瓣电影做个测试好了,代码的框架结构如图所示


分布式结构图.png

编程之前需要熟悉:

  1. redis基本安装和使用(python redis库)
  2. MongoDB基本安装和使用(python mongoengine库)
  3. RabbitMQ消息队列的基本安装和使用(pyhton pika库)
  4. Linux系统的screen 命令 !!!非常便于vps管理
    服务端程序基于python3 开发
    爬虫客户端基于python3和scrapy开发
    开发之前研究了下豆瓣的电影类目下网页格式
https://movie.douban.com/j/new_search_subjects?sort=T&range=0,10&tags=电影&start=7100

start 从 0 到9979,指的是第一条数据的序号,每次会返回20条数据,总共有1万条电影信息,我们请求的返回格式如下


请求返回的格式

,然后响应数据的url,就可以通过
bloom-filter过滤后存到我们新的任务队列中,理想状态下 100500次请求后,我们的数据里就会有10000条电影信息了(实际上爬出来了9982条和18条404被和谐的,然而豆瓣反爬真的很厉害,两台机器爬了一天多才完成任务,速度问题后面会讲,主要是笔者没有稳定的ip池,免费的不好用以及客户端太少并且豆瓣ip访问频率过高就返回302或403的反爬虫策略太为严格导致的。。。插句题外话,爬小电影网站时不用分布式,一台机器一天就爬了13万个左右番号信息)

2 代码基本解析

爬取数据比较重要的地方有下面几块
1.redis的使用 (任务进出管理和bloom-filter)
2.mongoDB的使用 (电影数据存储和记录未完成信息)
3.RabbitMQ的使用 (用于爬虫客户端和服务端rpc通讯,发布和完成任务)

2.1 redis 管理任务和去重

笔者将url任务分为a和b两个优先级,a>b ,将启动的url(豆瓣的电影列表) 存在 arank的redis set里面,爬下来的电影详情url 经过bloom-filter去重后存到brank的redis set里面。
大体代码如下
redis_controller.py

#encoding=utf-8
import datetime
import traceback
from collections import Iterable

import redis
from hashlib import md5

from sql_model import monogo_controller

#连接redis
pool = redis.ConnectionPool(host='localhost', port=6379, decode_responses=True)
arank_str = 'arank'
brank_str = 'brank'
url_limit = 5
r = redis.Redis(connection_pool=pool)


def get_out_urls():
    '''
    取出给爬虫客户端的任务url
    至多五个
    :return:
    '''
    arank_data_len = r.scard(arank_str)
    outdata = []
    #从arank等级的redis里面寻找是否有任务
    if arank_data_len > 0:
        for i in range(url_limit):
            popdata = r.spop(arank_str)
            if popdata is not None:
                outdata.append(popdata)
                try:
                    #返回给客户端时,将未完成任务存在mongoDB中
                    #完成后再删除
                    monogo_controller.TempJob(_id=popdata,work_start=datetime.datetime.now()).save(force_insert=True)
                except:
                    traceback.print_exc()
                    pass
            else:
                break
    #arank等级的redis里面没有任务时
    # 寻找brank是否有任务
    elif r.scard(brank_str) > 0:
        for i in range(url_limit):
            popdata = r.spop(brank_str)
            if popdata is not None:
                outdata.append(popdata)
                try:
                    monogo_controller.TempJob(_id=popdata,work_start=datetime.datetime.now()).save(force_insert=True)
                except:
                    traceback.print_exc()
                    pass

            else:
                break
    #arank和brank里面都没有任务时,取出mongodb里面超过1h还未完成的任务
    else:
        
        for mogoi in range(5):
            timejobs = monogo_controller.TempJob.objects(
                work_start__lt=(datetime.datetime.now() - datetime.timedelta(hours=1))
            ).limit(1).modify(work_start=datetime.datetime.now())
            if not timejobs:
                break
            outdata.append(timejobs._id)
    return outdata

def puturl(rank,urls):
    '''
    将任务存入redis
    :param rank: 任务等级
    :param urls: 链接
    :return:
    '''
    assert isinstance(urls,Iterable)
    for url in urls:
        #进行bloomfilter 过滤
        if not bf.isContains(url.encode()):
            bf.insert(url.encode())
            if rank==arank_str:
                r.sadd(arank_str,url)
            else:
                r.sadd(brank_str,url)
                
def puturl_safe(rank,urls):
    '''
    不经过bloomfilter,直接将任务放入redis,用于手动造初始化数据url
    :param rank:
    :param urls:
    :return:
    '''
    #安全的加入种子URL
    assert isinstance(urls,Iterable)
    for url in urls:
        if rank==arank_str:
            r.sadd(arank_str,url)
        else:
            r.sadd(brank_str,url)




class SimpleHash(object):
    '''
    bloomfilter使用的hash算法
    网上找到
    '''
    def __init__(self, cap, seed):
        self.cap = cap
        self.seed = seed

    def hash(self, value):
        ret = 0
        for i in range(len(value)):
            ret += self.seed * ret + ord(value[i])
        return (self.cap - 1) & ret


class BloomFilter(object):
    def __init__(self, blockNum=1, key='doubanbloomfilter'):
        """
        初始化布隆过滤器
        :param blockNum: one blockNum for about 90,000,000; if you have more strings for filtering, increase it.
        :param key: the key's name in Redis
        """
        self.server = r
        self.bit_size = 1 << 31  # Redis的String类型最大容量为512M,现使用256M
        self.seeds = [5, 7, 11, 13, 31, 37, 61]
        self.key = key
        self.blockNum = blockNum
        self.hashfunc = []
        for seed in self.seeds:
            self.hashfunc.append(SimpleHash(self.bit_size, seed))

    def isContains(self, str_input):
        '''
        str_input是否有,没有的话会自动入库
        :param str_input: 
        :return: 
        '''
        if not str_input:
            return False
        m5 = md5()
        m5.update(str_input)
        str_input = m5.hexdigest()
        ret = True
        name = self.key + str(int(str_input[0:2], 16) % self.blockNum)
        for f in self.hashfunc:
            loc = f.hash(str_input)
            ret = ret & self.server.getbit(name, loc)
        return ret

    def insert(self, str_input):
        '''
        将hash出来的几个指存入redis数据库中的bit中
        :param str_input: 
        :return: 
        '''
        m5 = md5()
        m5.update(str_input)
        str_input = m5.hexdigest()
        name = self.key + str(int(str_input[0:2], 16) % self.blockNum)
        for f in self.hashfunc:
            loc = f.hash(str_input)
            self.server.setbit(name, loc, 1)

bf = BloomFilter()

2.2 mongoDB(电影数据存储和记录未完成信息)

数据库使用的是mongoDB,用python mongoengine 插件 进行ORM管理,数据类如下

#电影数据类
import datetime

import mongoengine
import time
from mongoengine import StringField,DateTimeField,ListField,LongField,FloatField,IntField
#连接MongoDB
mongoengine.connect('douban',username='pig',password='pig@123456',authentication_source="admin")

class TempJob(mongoengine.Document):
    '''
    未完成任务数据ORM类
    '''
    _id= StringField(required=True,unique=True,primary_key=True)
    work_start=DateTimeField(required=True,default=datetime.datetime.now())

class MoiveDataModel(mongoengine.Document):
    '''
    电影数据类
    '''
    director= ListField(StringField())
    douban_id=LongField(unique=True,primary_key=True,required=True)
    tags=ListField(StringField())
    stars=ListField(StringField())
    desc=StringField(required=True)
    douban_remark=FloatField()
    imdb_tag=StringField()
    contry=StringField()
    language=StringField()
    publictime=DateTimeField()
    runtime=IntField()
    votes=IntField()
    title=StringField(required=True)


def delete(urls):
    #完成任务后删除
    for url in urls:
        TempJob.objects(_id=url).delete()
2.3 rabbitmq 实现爬虫客户端和主服务端进行RPC通讯

通过rabbitmq 实现rpc的方式通讯,大体逻辑就是爬虫客户端通过rpc请求服务端分发任务,同时告知服务端任务完成情况和爬取到的数据对象,服务端收到请求时,数据存到需要存到的地方,并且从redis和mongoDB找到下一批任务返回客户端
rpc 服务端代码如下

import json
import traceback

import pika

from main_server_side import redis_controller
from sql_model import monogo_controller
from sql_model.monogo_controller import MoiveDataModel
#连接MQ
#确保消息queue建立
cred = pika.PlainCredentials(username='pig', password='pig123')
connection = pika.BlockingConnection(
    pika.ConnectionParameters(host='xx.xxx.xxx.xxx', credentials=cred))

channel = connection.channel()

channel.queue_declare(queue='rpc_queue_douban')




def on_request(ch, method, props, body):
    '''
    收到客户端请求的回调
    :param ch:
    :param method:
    :param props:
    :param body:
    :return:
    '''
    try:
        print("send_data")
        jsondata = json.loads(body.decode())
        print(jsondata)
        done_urls=jsondata.get("done")
        rankstr=jsondata.get('rankstr')
        rankurls=jsondata.get("new_urls")
        if done_urls is not None:
            print("del done_urls")
            print(done_urls)
            monogo_controller.delete(done_urls)
        if rankurls is not None:
            redis_controller.puturl(rankstr,rankurls)

        response=redis_controller.get_out_urls()
        print("response is :")
        print(response)
        ch.basic_publish(exchange='',
                         routing_key=props.reply_to,
                         properties=pika.BasicProperties(
                             correlation_id=props.correlation_id
                             , content_type='application/json',
                             content_encoding='utf-8'),
                         body=json.dumps({"isok":True,"ans": response}))
        ch.basic_ack(delivery_tag=method.delivery_tag)
        result_map=jsondata.get("result_map")
        if result_map is not None:
            for mogodata in result_map:
                try:
                    print(type(mogodata))
                    MoiveDataModel(**mogodata).save()
                except:
                    traceback.print_exc()
                    pass

    except Exception as e:
        traceback.print_exc()

#设置每次只处理一次请求(单线程)
channel.basic_qos(prefetch_count=1,)
# 监听rpc_queue_douban
channel.basic_consume(on_request, queue='rpc_queue_douban')

print(" Awaiting DOUBAN RPC requests")
#等待请求
channel.start_consuming()

对应的rpc客户端设计如下

#!/usr/bin/env python
#encoding=utf-8
import json
import uuid

import pika

class RPCClient(object):
    
    def __init__(self):
        self.credentials = pika.PlainCredentials('pig', 'pig123')
        self.connection = pika.BlockingConnection(pika.ConnectionParameters(host='xx.xx.xx.xx', credentials=self.credentials))
        self.channel = self.connection.channel()
        #设置回调为匿名唯一queue
        result_queue=self.channel.queue_declare(exclusive=True)
        self.callback_queue_name=result_queue.method.queue
        self.channel.basic_consume(self.onresponse,self.callback_queue_name,no_ack=True)
        self.responsedata=None
    def onresponse(self,channel, method, properties, body):
        if self.corrid == properties.correlation_id:
            self.responsedata=body
    
    def call(self,query_dict):
        #correlation_id生成一个uuid
        self.corrid=str(uuid.uuid4())
        
        self.channel.basic_publish(exchange='',routing_key='rpc_queue_douban',body=json.dumps(query_dict)
                                   ,properties=pika.BasicProperties(content_type='application/json',content_encoding='utf-8'
                                                                    ,correlation_id=self.corrid,reply_to=self.callback_queue_name))
        while self.responsedata is None:
            self.connection.process_data_events(time_limit=None)
        backresponse=self.responsedata
        self.responsedata=None
        return json.loads(backresponse.decode())

2.4爬虫客户端 scrapy接入RPC

scrapy客户端利用rpc通讯从服务端拿到任务,通过xpath解析页面拿到数据,代码如下

# -*- coding: utf-8 -*-
import json
import random

import re
import scrapy
import time
import logging
from urllib.parse import unquote
from scrapy import Request

from scrapy_client_side.scrapy_client_side.client_side import RPCClient

logging.basicConfig(filename='douban_spider.log', filemode="a", level=logging.ERROR)


class DoubanSpider(scrapy.Spider):
    name = 'douban_spider'
    urlpre = "https://movie.douban.com/"
    done_urls = []
    result_map = []
    rankstr = None
    new_urls = []
    #豆瓣触发反爬机制时会返回403和302
    #这种时候爬虫暂停两个小时再爬取基本没有异常
    handle_httpstatus_list = [403,302]
    
    
    
    def start_requests(self):
        while (True):
            #rpc请求成功后随机停止30-60s,降低促发反爬虫的概率
            if self.rankstr is None:
                try:
                    rpc_response = RPCClient().call({"query": "start"})
                except:
                    #rpc有时会和服务端连接失败,等待1分后重试
                    time.sleep(60)
                    continue
            else:
                try:
                    rpc_response = RPCClient().call(
                        {"done": self.done_urls, "rankstr": self.rankstr, "new_urls": self.new_urls,
                         "result_map": self.result_map})
                    print("get data from server sleep ")
                    time.sleep(random.randint(30,40))
                except:
                    time.sleep(random.randint(55,65))
                    continue
            try:
                ansurls = rpc_response.get("ans")
                print("ansis:")
                print(ansurls)
                #每次将数据rpc提交给服务端后清理掉
                self.done_urls = []
                self.rankstr = None
                self.new_urls = []
                self.result_map = []
                if not ansurls :
                    time.sleep(30)
                else:
                    for url in ansurls:
                        print("yield")
                        yield Request(self.urlpre + url, callback=self.parse,errback=self.errback_httpbin)
            except:
                time.sleep(30)
                pass

    def errback_httpbin(self, failure):
        print(repr(failure))
    
    def parse(self, response):
        if not response.status==200:
            time.sleep(7200)
            yield Request(response.url, callback=self.parse,errback=self.errback_httpbin)
        elif response.url.count(r'j/new_search_subjects') > 0:
            resjson = json.loads(response.text)
            urls = (unquote(data.get("url").replace("https://movie.douban.com/","")) for data in resjson.get('data'))
            self.new_urls.extend(urls)
            self.rankstr = 'brank'
            self.done_urls.append(unquote(response.url.replace("https://movie.douban.com/","")))
        elif response.url.count(r'subject/') > 0:
            try:
                response_dict = {}
                # director = ListField(StringField)
                # douban_id = LongField(unique=True, primary_key=True, required=True)
                # tags = ListField(StringField)
                # stars = ListField(StringField)
                # desc = StringField(required=True)
                # douban_remark = FloatField()
                # imdb_tag = FloatField()
                # contry = StringField()
                # language = StringField()
                # publictime = DateTimeField()
                # runtime = IntField()
                # votes = IntField()
                response_dict["director"] = response.xpath("//a[contains(@rel,'v:directedBy')]/text()").extract()
                response_dict["douban_id"] = int(response.xpath("//a[@share-id]/@share-id").get())
                response_dict["tags"] = response.xpath("//div[contains(@class,'tags-body')]/a/text()").extract()
                response_dict["stars"] = response.xpath("//a[contains(@rel,'v:starring')]/text()").extract()
                response_dict["desc"] = "".join(
                    response.xpath("//span[contains(@property,'v:summary')]/text()").extract()).replace("\u3000", " ")
                response_dict["douban_remark"] = float(
                    response.xpath("//strong[contains(@property,'v:average')]/text()").get())
                response_dict["imdb_tag"] = response.xpath("//a[contains(@href,'imdb')]/text()").get()
    
                response_dict["contry"] = response.xpath("//span[contains(text(),'制片国家')]/following-sibling::text()").get()
    
                response_dict["language"] = response.xpath("//span[contains(text(),'语言')]/following-sibling::text()").get()
    
                str = response.xpath("//span[contains(@property,'v:initialReleaseDate')]/text()").get()
                try:
                    timestr = re.findall(r"\d{4}-\d{2}-\d{2}", str)[0]
                    response_dict["publictime"] = timestr
                except:
                    pass

                # 时长
                try:
                    response_dict["runtime"] = int(response.xpath("//span[contains(@property,'v:runtime')]/@content").get())
                except:
                    response_dict["runtime"]=-1
                    pass

                response_dict["votes"] = int(response.xpath("//span[contains(@property,'v:votes')]/text()").get())
                response_dict["title"] =response.xpath("//title/text()").get().replace("\n","").replace('(豆瓣)',"").strip()
                print(response_dict)
                self.rankstr=""
                self.result_map.append(response_dict)
                self.done_urls.append(unquote(response.url.replace("https://movie.douban.com/", "")))
            except Exception as e:
                logging.exception("spider parse error")
                pass
        

可以通过python代码调用爬虫启动,并且设置setting项

from scrapy.crawler import CrawlerProcess
from scrapy.utils.project import get_project_settings

from scrapy_client_side.scrapy_client_side.spiders.douban_spider import DoubanSpider
s=get_project_settings()
s.set("USER_AGENT",'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.12; rv:58.0) Gecko/20100101 Firefox/58.0')
s.set("ROBOTSTXT_OBEY" , False)
DOWNLOAD_DELAY = 10
RANDOMIZE_DOWNLOAD_DELAY = True
s.set('DOWNLOAD_DELAY',DOWNLOAD_DELAY)
s.set('RANDOMIZE_DOWNLOAD_DELAY',RANDOMIZE_DOWNLOAD_DELAY)
s.set('CONCURRENT_REQUESTS',1)
s.set('DOWNLOAD_TIMEOUT',60)
process1 = CrawlerProcess(s)
process1.crawl(DoubanSpider)
process1.start()
2.5造初始化的url数据
from main_server_side import redis_controller

urlstep=[]
for i in range(0,9981,20):
    if i==9980:
        num=9979
    else:
        num=i
    urlstep.append("j/new_search_subjects?sort=T&range=0,10&tags=电影&start=%s"%(num))
redis_controller.puturl_safe(redis_controller.arank_str,urlstep)

关键代码就是这些了,使用时稍微组织下代码结构就可以了,
scrapy项目用scrapy startproject xxxx 命令生成,直接python -m的方式启动rpc服务端代码 和控制爬虫的python脚本代码运行

3后记

分布式爬取数据笔者认为解决了带宽和ip限制的问题,在这种情况下爬取效率和vps数量成正比,因为个人vps空间不足没有将下载的网页缓存到主服务器或者别的oss服务器上(这一步笔者认为是比较重要的,因为缓存下来后,当有别的字段要解析时速度快多)。这里写一下也是记录下自己的设计思路,也和各位读者朋友探讨下技术吧

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 159,835评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,598评论 1 295
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,569评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,159评论 0 213
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,533评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,710评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,923评论 2 313
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,674评论 0 203
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,421评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,622评论 2 245
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,115评论 1 260
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,428评论 2 254
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,114评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,097评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,875评论 0 197
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,753评论 2 276
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,649评论 2 271

推荐阅读更多精彩内容

  • Scrapy,Python开发的一个快速,高层次的屏幕抓取和web抓取框架,用于抓取web站点并从页面中提取结构化...
    Evtion阅读 5,767评论 12 18
  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,100评论 18 139
  • 近年来随人民生活水平的不断提高,追求文化艺术的要求也逐渐成为经济发展的一个亮点,中国国玉新疆和田籽玉是一枝独秀。然...
    三哥说玉阅读 405评论 0 0
  • 一个大腹便便身材的秃头中年人走在车来车往的街边。凌晨两点,这条街灯火通明,中年人抬头嗦了一口气看见了夜被...
    反面阅读 203评论 0 0
  • 早起情况 这两天都是11点就醒了,但是没有起床,今天因为买的耳机到了,特意起床去拿的,但还是拖了50分钟才洗漱完毕...
    Marco_Deng阅读 326评论 0 0