11 单任务版爬虫实现思路分析

Ⅰ. 简介

    一. 什么是分布式爬虫：

1. 默认情况下，我们使用scrapy框架进行爬虫时使用的是单机爬虫，就是说它只能在一台电脑上运行，因为爬虫调度器当中的队列queue去重和set集合都只能在本机上创建的，其他电脑无法访问另外一台电脑上的内存和内容。

2. 分布式爬虫实现了多台电脑使用一个共同的爬虫程序，它可以同时将爬虫任务部署到多台电脑上运行，这样可以提高爬虫速度，实现分布式爬虫。

    二. 分布式爬虫的前提：

1. 要保证每一台计算机都能够正常的执行scrapy命令，能够启动爬虫，这是对计算机硬件的zui低水平、计算机系统环境和网络等多方面的基本需求，不再赘述。

2. 要保证所有的爬虫程序可以访问同一个队列一个set集合。

针对第二个条件，需要以下特殊声明：

想要满足第二个条件，我们要使用scrapy_redis。想要保证多台机器共用一个queue队列和set集合，在scrapy框架中，是需要结合scrapy_redis完成的。分布式爬虫可以让所有机器上的爬虫程序，从同一个queue队列中获取request请求，并且每个机器取出request，请求的对象是不一样的，直到所有的request被请求完毕。

    三. 分布式爬虫的适用范围/要求：

1. 分布式爬虫对电脑的性能有一定的要求（特别是处理器，也就是常说的cpu）。

2. 分布式爬虫对网速也有一定的要求 。

注意：电脑性能和网速如果不是很好的话，分布式爬虫效率反而不如单一爬虫。并不是任何时候都可以使用分布式爬虫，如果你需要大规模获取数据，不满足于单一爬虫的效率，而且硬件条件能够得到满足，那么就使用分布式爬虫吧。当然，大部分情况下，由于对硬件有要求，一些刚成立的小公司可能负担不起这样的成本。

    四. 分布式爬虫经常和redis数据库一起使用：

redis数据有几个特点，首先它的优点是：

1. 默认使用持久化数据方式

2. 体积小，使用方便

3. 如果存储数据量比较大的话，启动速度很快

4. 数据库中的数据和内存中的数据可以相互访问

最主要的缺点是：从安全性角度来说，数据持久化可能会容易崩溃，造成数据丢失