如何改造 Scrapy 从而实现多网站大规模爬取?

wumxiaozhu 2020-10-16

Scrapy 框架默认是用来开发定向爬虫的。一般情况下,在 spiders 文件夹下面的一个.py 文件对应了一个网站的爬取。

但还有另外一种爬虫,它不会拘泥于提取页面上的特定文字,而是关注如何并行爬取非常多的网站。这种爬虫可以实现大规模的爬取。这种爬虫,一般是从若干个种子网址开始爬。进入每个网址后,把该页面的所有网址作为新的种子网址继续爬取,源源不断,生生不息。但爬到以后,一般直接把整个页面的源代码保存下来,通过 Kafka 或者其他组件传给另外的服务进行解析。

为了让 Scrapy 适配这种通用的解析逻辑,需要做一些定制化修改。Scrapy 官方文档中,给出了几点修改建议。

如何改造 Scrapy 从而实现多网站大规模爬取?

修改调度队列

Scrapy 默认的调度队列是scrapy.pqueues.ScrapyPriorityQueue,它适合做定向爬虫使用,对于通用爬虫,我们应该修改为scrapy.pqueues.DownloaderAwarePriorityQueue。在 settings.py文件中添加一行:

SCHEDULER_PRIORITY_QUEUE = 'scrapy.pqueues.DownloaderAwarePriorityQueue' 

提高并发量在

settings.py中增加配置:

CONCURRENT_REQUESTS = 100 
CONCURRENT_REQUESTS_PER_DOMAIN = 100 

但是并发量实际上受内存和 CPU 的限制,建议实际测试,选择最适合的数字。

提高 Twisted IO 线程池大小

Scrapy 在做 DNS 解析的时候,是阻塞式的。所以请求量越高,解析 DNS 就会越慢。为了避免这个情况,可以提高线程池的大小。在 settings.py中增加一个配置:

REACTOR_THREADPOOL_MAXSIZE = 20 

搭建专用 DNS 服务器

如果爬虫进程数太多,并发又太快,可能会对 DNS 服务器形成 Dos 攻击。所以建议自己单独搭建一个 DNS 服务器。

减少日志量

Scrapy 默认是 DEBUG 级别的日志等级,每次爬取会产生大量的日志。通过把日志等级调整到INFO 可以大大减少日志量。在 settings.py 中增加一行:

LOG_LEVEL = 'INFO' 

禁用 Cookies 和自动重试

大规模爬虫一般不需要用到 Cookies,所以可以把它禁用。请求失败的自动重试会降低爬虫的速度。但是由于大规模爬虫的爬取范围很大,对于个别失败的请求没有必要重试。因此修改settings.py:

COOKIES_ENABLED = False 
RETRY_ENABLED = False 

降低请求超时时间,禁用自动跳转

有些网址因为远在大洋彼岸或者受到了干扰,请求响应时间很长。对于这种网址,应该果断放弃,避免影响其他网址的爬取。

禁用自动跳转功能,也有助于提高网页访问速度。

DOWNLOAD_TIMEOUT = 10 
REDIRECT_ENABLED = False 

使用广度有限搜索

Scrapy 默认基于深度优先(DFO)搜索算法。但在大规模爬虫中,我们一般会使用广度有限(BFO)搜索算法:

相关推荐

ZHANGRENXIANG00 / 0评论 2020-06-27