详情可查看 blog —– 使用 scrapy, scrapy-redis, graphite 实现的京东分布式爬虫，以 mongodb 实现底层存储。分布式 实现，解决带宽和性能的瓶颈，提高爬取的效率。实现 scrapy-redis 对进行 url 的去重 以及调度，利用redis的高效和易于扩展能够轻松实现高效率下载：当redis存储或者访问速 度遇到瓶颈时，可以通过增大redis集群数和爬虫集群数量改善
爬取策略
获取 <a href> 标签里面的 url 值，然后迭代爬取，并且把 url 限定在
xxx.jd.com 范围内，防止无限广度的问题。
反反爬虫策略
禁用 cookie
通过禁用 cookie, 服务器就无法根据 cookie 判断出爬虫是否访问过网站
伪装成搜索引擎
现在可以通过修改 user-agent 伪装成搜索引擎
'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)', 'Mozilla/5.0 (compatible; Bingbot/2.0; +http://www.bing.com/bingbot.htm)', 'Mozilla/5.0 (compatible; Yahoo! Slurp; http://help.yahoo.com/help/us/ysearch/slurp)', 'DuckDuckBot/1.0; (+http://duckduckgo.com/duckduckbot.html)', 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)', 'Mozilla/5.0 (compatible; YandexBot/3.0; +http://yandex.com/bots)', 'ia_archiver (+http://www.alexa.com/site/help/webmasters; [email protected])',
轮转 user-agent
为了提高突破反爬虫策略的成功率，定义多个user-agent, 然后每次请求都随机选择
user-agent。本爬虫实现了一个 RotateUserAgentMiddleware 类来实现 user-agent
的轮转
代理 IP
使用代理 IP, 防止 IP 被封
爬虫状态监控
将爬虫stats信息(请求个数，item下载个数，dropItem个数，日志)保存到redis中 实现了一个针对分布式的stats collector，并将其结果用graphite以图表形式动态实时显示
并发请求和深度控制
通过 setting.py 中的 CONCURRENT_REQUESTS = 32 配置来控制并发请求数量，通过
DepthMiddle 类的 DEPTH_LIMIT=max 参数来控制爬虫的的递归深度
项目依赖
- python 3.5+
- scrapy
- scrapy-redis
- pymongo
- graphite
如何运行
git clone https://github.com/samrayleung/jd_spider.git 然后安装 python依赖
(sudo) pip install -r requirements.txtdocker 安装
安装配置 graphite. 需要注意的是 graphite 只适用于 Linux 平台，且安装过程非常 麻烦，所以强烈建议使用 docker 进行安装。我基于 docker-graphite-statsd 这个 graphite 的镜像作了些许配置文件的修改，以适配 scrapy. 运行以下命令以拉取并运 行 image
sudo docker run -d\
--name graphite\
--restart=always\
-p 80:80\
-p 2003-2004:2003-2004\
-p 2023-2024:2023-2024\
-p 8125:8125/udp\
-p 8126:8126\
samrayleung/graphite-statsd然后就可以在浏览器打开： dashboard 或者是登录到管理界面： http://localhost/account/login 默认帐号密码是：
- username: root
- password: root
手动安装
当然，你也可以自己配置 graphite, 在成功配置 graphite 之后，需要修改一些配置：
- 把
/opt/graphite/webapp/content/js/composer_widgets.js文件中toggleAutoRefresh函数里的interval变量从60改为1。 - 在配置文件
storage-aggregation.conf里添加：[scrapy_min] pattern = ^scrapy\..*_min$ xFilesFactor = 0.1 aggregationMethod = min [scrapy_max] pattern = ^scrapy\..*_max$ xFilesFactor = 0.1 aggregationMethod = max [scrapy_sum] pattern = ^scrapy\..*_count$ xFilesFactor = 0.1 aggregationMethod = sum而
storage-aggregation.conf这个配置文件一般是位于/opt/graphite/conf一切准备就绪之后，就可以运行爬虫了。 进入到
jd目录下：scrapy crawl jd
注意事项
需要注意的是，本项目是含有两只爬虫，爬取商品评论需要先爬取商品信息，因为有了 商品信息才能爬取评论
代理 IP
虽然不使用代理 IP 可以爬取商品信息，但是可能爬取一段时间后就无法爬取商品信息，
所以需要添加代理 IP. 以 http://ip:port 的形式保存到文本文件，每行一个 IP,然后
在 setting 中指定路径：
PROXY_LIST = 'path/to/proxy_ip.txt'并且去掉下面配置的注释：
RETRY_TIMES = 10
RETRY_HTTP_CODES = [500, 503, 504, 400, 403, 404, 408]
DOWNLOADER_MIDDLEWARES = {
'scrapy.downloadermiddlewares.retry.RetryMiddleware': 90,
'scrapy_proxies.RandomProxy': 100,
'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 110,
}
PROXY_MODE = 0运行截图
graphite 监控
评论
评论总结
商品信息
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent