Scrapy_redis框架的概念作用和流程

        当爬取的网站的数据量非常庞大的时候，再使用之前的Scrapy框架速度就会有点偏慢，这时可以使用分布式来快速的爬取大量的数据。

1. 分布式是什么

        分布式就是不同的节点（服务器，ip不同）共同完成一个任务。

2. scrapy_redis的概念

        scrapy_redis是scrapy框架基于redis的分布式组件。

3. scrapy_redis的作用

Scrapy_redis在scrapy的基础上增加了更多强大的功能，具体体现在：

通过持久化请求队列和请求的指纹集合来实现：   【指纹集合：唯一标志，可以对其做哈希】

• 断点续爬
• 分布式快速抓取

分布式的好处：

• 加快项目的运行速度，但是需要的资源（硬件&网络）依然还是原有的
• 单个节点的不稳定性不影响整个系统的稳定性

4. scrapy_redis的工作流程 4.1 scrapy的流程

【redis_key 是一个键存储的字符串，用于启动爬虫项目的，是启动的请求】

思考：那么，在这个基础上，如果需要实现分布式，即多台服务器同时完成一个爬虫，需要怎么做呢？

4.2 scrapy_redis的流程

• 在scrapy_redis中，所有的待抓取的request对象和去重的request对象指纹都存在所有的服务器公用的redis中

• 所有的服务器中的scrapy进程公用同一个redis中的request对象的队列

• 所有的request对象存入redis前，都会通过该redis中的request指纹集合进行判断，之前是否已经存入过

• 在默认情况下所有的数据会保存在redis中

具体流程如下：