python爬虫 | 一文搞懂分布式进程爬虫

栏目: Python · 发布时间: 5年前

内容简介:重磅干货,第一时间送达作者:JAP君 转自:JAVAandPython君

点击上方“ Python数据科学 ”,选择“星标”公众号

重磅干货,第一时间送达

作者:JAP君 转自:JAVAandPython君

1.预备知识

今天咱们来扯一扯分布式进程爬虫,对爬虫有所了解的都知道分布式爬虫这个东东,今天我们来搞懂一下分布式这个概念,从字面上看就是分开来布置,确实如此它是可以分开来运作的。

分布式进程就是将进程分布到多台机器上去,充分利用每一台机器来完成我们的爬虫任务。分布式进程需要用到multiprocessing模板,multiprocessing模板不但支持多进程,它的managers子模块还支持把多进程分布到多台机器上。

我们可以写一个服务进程作为调度者,然后将我们的爬虫任务分布给其他的多个进程当中去,我们依靠网络通信来管理这些进程。

2.模拟一个分布式进程爬虫

我们来模拟进行一个分布式进程的爬虫吧,就比如我们需要抓取某个图片网站的所有图片,如果用我们的分布式进程的思想,我们会创建一个进程负责抓取图片的链接地址,然后将这些链接地址存放到Queue中,另外的进程负责从Queue中读取链接进行图片的下载或者进行其他操作(存在本地).

其实我们的Queue是暴露在网络中的,通过分布式就是将其进行了封装,其实也就是所谓的本地队列的网络化。

接下来,我们来分析一下如何去创建一个分布式的服务进程,总体可以分为六步:

  1. 首先我们需要建立一个队列queue,这个主要用作进程之间的通信。总体来说就是两种进程,一种是服务进程,一种是任务进程。服务进程创建任务队列task_queue,用作传递任务给任务进程的通道。服务进程又创建result_queue,作为任务进程完成任务后回复服务进程的通道。在分布式进程的环境下,我们需要通过Queuemanager 获得的Queue接口来添加任务。

  2. 把我们在第一步中队列在网络上进行注册,暴露给其他的进程或者主机,注册后获得网络队列,相当于本地队列的映像。

  3. 建立Queuemanager的对象,并且实例化,绑定端口和口令

  4. 启动第三步中建立的实例,即启动管理manager,监管信息通道

  5. 通过管理实例的方法获取到通过网络访问的queue对象,也就是把网络对象实体化成本地的一个队列。

  6. 创建任务到“本地”队列中,自动上传任务到网络队列中,分配给任务进程进行处理。

我们就来写一下服务进程的代码   taskManager.py:


 

import queue

from multiprocessing.managers import BaseManager

from multiprocessing import freeze_support


# 任务个数

task_num = 500


# 定义收发队列

task_queue = queue.Queue(task_num)

result_queue = queue.Queue(task_num)



def get_task():

return task_queue



def get_result():

return result_queue



# 创建类似的QueueManager

class QueueManager(BaseManager):

pass

def run():

# Windows下绑定调用接口不能使用lambda,所以只能先定义函数再绑定

QueueManager.register('get_task_queue', callable = get_task)

QueueManager.register('get_result_queue', callable=get_result)

#绑定端口并设置验证口令,windows下需要填写ip地址,Linux中不填默认为本地

manager = QueueManager(address=('127.0.0.1', 8001), authkey='jap'.encode('utf-8'))

# 启动

manager.start()


try:

# 通过网络获取任务队列和结果队列

task = manager.get_task_queue()

result = manager.get_result_queue()

# 添加任务

for url in ["JAP君url:"+str(i) for i in range(500)]:

print("添加任务 %s" %url)

task.put(url)

print("正在获取结果...")

for i in range(500):

print("result is %s" %result.get(timeout=10))

except:

print('Manager error')

finally:

# 一定要关闭,否则会报管道未关闭的错

manager.shutdown()



if __name__ == '__main__':

# windows下多进程可能会出现问题,添加这句话可以解决

freeze_support()

run()

上面就是我们的服务进程,我把解析都写在了里面,大家可以仔细看一下,接下来我们来写任务进程(taskWorker),创建任务进程也比较简单,只有简单的四步:

1. 创建一个类似的QueueManager对象,使用QueueManager注册用于获取queue的方法名称,任务进程只能通过名称来在网络上获取queue,所以这里一定要注意服务端和任务端的名称要相同。

2. 链接服务器,端口和指令一定要与服务端相同

3. 从网络上获取queue,并且将其本地化。

4. 从task对列中获取任务,并且把结果写入result对列。


 

import time

from multiprocessing.managers import BaseManager


# 创建类似的QueueManager

class QueueManager(BaseManager):

pass


# 第一步:使用QueueManager注册用于获取Queue的方法名称

QueueManager.register('get_task_queue')

QueueManager.register('get_result_queue')


# 第二步:链接到服务器

server_addr = '127.0.0.1'

print('Connect to server %s' %server_addr)

# 端口和验证的口令一定要保证相同

m = QueueManager(address = (server_addr, 8001), authkey='jap'.encode('utf-8'))

# 从网络连接:

m.connect()


# 第三步:获取queue的对象

task = m.get_task_queue()

result = m.get_result_queue()


# 第四部:从task队列中获取任务,并把结果写入result队列

while(not task.empty()):

url = task.get(True, timeout = 5)

print("run task download %s" %url)

time.sleep(1)

# 将结果写入result队列

result.put("%s --->success" %url)

print("exit")

详细的步骤也写在里面了,当然这个任务队列,我们是可以创建多个的,每个任务进程都会完成自己的事,而不会干扰其他的任务进程,这也就让我们的url不会重复的去爬取,从而完美的实现了多个进程来爬取我们的任务。

以上就是一个非常简单的分布式进程的爬虫小案例,大家可以通过这种方式去实战自己的一个小项目,在这里还说一下,我们是可以将我们的任务分布到多台机器上的,这样我们就实现了大规模的爬取。

专注于数据科学领域的知识分享

欢迎在文章下方留言与交流

推荐阅读

越来越像 Linux 了!Windows 系统 5 月更新让 Python 开箱即用

李宏毅:1 天搞懂深度学习,我总结了 300 页 PPT(附思维导图)

数据可视化图表,你选对了吗?

干货 | 19款最好用的免费数据挖掘 工具 大汇总

Python排序傻傻分不清?一文看透sorted与sort用法

python爬虫 | 一文搞懂分布式进程爬虫

觉得不错,不妨点个 好看 :heart:


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

社交红利2.0

社交红利2.0

徐志斌 / 中信出版社 / 2015-9 / 42元

大型社交网络发展至今,开始显露出更为惊人的力量。有一个独特现象与这一结果相伴相生,即新应用或服务一进入社交网络就即时引爆,就像用户在等待它出现一样。随即开始的病毒式扩散,让创业者成为全民话题的焦点。但这一切是如何实现的?具备哪些特征的合作伙伴才可以被即时引爆? 作者从其长期追踪的近30个一进入微博、微信就引爆的经典案例中甄选出若干典型案例。从大量一手鲜活的后台数据入手,并结合腾讯对社交网络的......一起来看看 《社交红利2.0》 这本书的介绍吧!

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具

HEX CMYK 转换工具
HEX CMYK 转换工具

HEX CMYK 互转工具