Redis通常被认为是一种持久化的存储器关键字-值型存储，可以用于几台机子之间的数据共享平台。
连接数据库
注意：假设现有几台在同一局域网内的机器分别为Master和几个Slaver
Master连接时host为localhost即本机的ip
|
1
|
_db = redis.Reds(host='localhost', port=6379, db=0) |
Slaver连接时的host也为Master的ip，端口port和数据库db不写时为默认值6379、0
|
1
|
_db = redis.Redis(host='192.168.235.80') |
Redis含列表、集合，字符串等几种数据结构，具体详细的几种数据结构的操作命令可查看Redis官网http://redis.io/commands，下面是对集合进行操作的一些命令
|
1
2
3
4
5
6
|
_db.sadd(key, *values) # 插入指定values到集合中并返回新插入的的值的数量_db.spop(self.key) # 随机从集合中的得到一个元素将其从集合中删除并作为返回值返回_db.smembers(self.key) # 返回集合的所有元素_db.delete(key) # 删除整个集合, 成功返回1, 失败返回0_db.srandmember(self.key) # 从集合中随机选取一个元素作为返回_db.sismember(self.key, value) # 判断指定value是否在本集合中，成功返回1,失败返回0 |
例如，Master可利用redis将url上传到数据库
|
1
2
3
|
for i in range(20): # 将需爬取的糗事百科前20页的url并存入urls集合 url = 'http://www.qiushibaike.com/hot/page/%d/' % (i + 1) _db.sadd('urls', url) # 将url插入关键字urls集合中，若url已存在则不再插入 |
进而Master和Slaver可从数据库里获取url
|
1
|
url = _db.spop('urls') # 随机从urls集合中取出一个url返回并将其删去 |
同理，Master可利用上面的方法将其他一些共用的资源上传到数据库，Slaver就可从数据库下载需要的东西。下面是一个完整的例子
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
|
# coding=utf-8import urllib2import reimport timeimport redisheaders = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Ubuntu Chromium/49.0.2623.108 Chrome/49.0.2623.108 Safari/537.36'}job_redis = redis.Redis(host='192.168.235.80') # host为主机的IP，port和db为默认值class Clawer(object): identity = 'master' # 或slaver def __init__(self): if self.identity == 'master': for i in range(20): # 将需爬取的糗事百科前20页的url并存入urls集合 url = 'http://www.qiushibaike.com/hot/page/%d/' % (i + 1) job_redis.sadd('urls', url) self.main() def get_content(self): """ 从糗事百科中获取故事 :return: 故事列表 """ stories = [] content_pattern = re.compile('<div class="content">([\w\W]*?)</div>([\w\W]*?)class="stats"') # 匹配故事内容（第一空）和是否含有图片（第二空）的模板 pattern = re.compile('<.*?>') # 匹配包括括号及括号内无关内容的模板 url = job_redis.spop('urls') while url: # 当数据库还存在网页url，取出一个并爬取 try: request = urllib2.Request(url, headers=headers) response = urllib2.urlopen(request) text = response.read() except urllib2.URLError, e: # 若出现网页读取错误捕获并输出 if hasattr(e, "reason"): print e.reason content = re.findall(content_pattern, text) # 获取含模板内容的列表 for x in content: if "img" not in x[1]: # 过滤含图片的故事 x = re.sub(pattern, '', x[0]) x = re.sub('\n', '', x) stories.append(x) url = job_redis.spop('urls') time.sleep(3) return stories def main(self): self.get_content()if __name__ == '__main__': Clawer() |
将此代码在几台机器同时运行，调节其身份为master或slaver，做到简单的分布式爬虫
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：http://blog.csdn.net/zhou_1997/article/details/52624468
