简陋的分布式爬虫（附项目代码地址）

哇咔咔，Python中文社区专栏作者。学习过C, C++, Python, 了解java,html, javascript基础。其中就Python而言，自己写过简单的博客(注册，登录，发帖，删帖，评论)，写过几个爬虫。

新手向，基于Redis构建的分布式爬虫。 以爬取考研网的贴子为例，利用 PyQuery, lxml 进行解析，将符合要求的文章文本存入MySQ数据库中。

结构简介
cooperator
协作模块，用于为Master&Worker模块提供代理IP支持

master
提取满足条件的文章url，并交给Worker进一步处理

Worker
解析文章内容，将符合要求的存入数据库

环境依赖
sqlalchemy => 1.0.13 pyquery => 1.2.17 requests => 2.12.3 redis => 2.10.5 lxml => 3.6.0
需要预先安装MySQL-server 和 Redis-server.
MySQL中应有名为kybsrc的数据库，且该数据库包含一个名为posts的表，拥有num(INT AUTO_INCREMENT)和post(TEXT)两个字段。

如何启动

1. 先配置好各模块所引用的配置文件

2. 为了更好地运行，cooperator/start.py 应提前开始并完成一次工作函数执行

   第一次执行完后，每五分钟运行一次工作函数

3. 启动 master/start.py

   默认只执行一次

4. 启动 worker/start.py

   默认循环监听是否有新的URL待解析

核心点说明

1. 通过Redis的集合类型进行代理IP和URL的传递

    # Summary Reference

    # ---------

    # 创建句柄

    def make_redis_handler():

        pool = redis.ConnectionPool(host=r_server['ip'], port=r_server['port'], password=r_server['passwd'])

        return redis.Redis(connection_pool=pool)

    # 获得句柄

    def make_proxy_handler():

        return make_redis_handler()

    # 保存到指定的set下

    def check_and_save(self, proxy):

     'pass'

       self.redis_handler.sadd(r_server['s_name'], proxy)

2. 由于在验证代理IP和使用封装的get_url()函数的时候网络IO较多，所以使用多线程（效果还是很明显的）。

    #Summary Reference

    #---------

    def save_proxy_ip(self):

        'pass'

        for proxy in self.proxy_ip:

            Thread(target=self.check_and_save, args=(proxy,)).start()

    def get_url(url):

        'pass'

        while True:

        'pass'

            resp = request('get', url, headers=headers, proxies={'http': proxy})

        'pass'

本文项目地址：https://github.com/PyCN/Ugly-Distributed-Crawler