如何改造 Scrapy 從而實(shí)現(xiàn)多網(wǎng)站大規(guī)模爬取？
Scrapy 框架默認(rèn)是用來開發(fā)定向爬蟲的。一般情況下，在 spiders 文件夾下面的一個.py 文件對應(yīng)了一個網(wǎng)站的爬取。
但還有另外一種爬蟲，它不會拘泥于提取頁面上的特定文字，而是關(guān)注如何并行爬取非常多的網(wǎng)站。這種爬蟲可以實(shí)現(xiàn)大規(guī)模的爬取。這種爬蟲，一般是從若干個種子網(wǎng)址開始爬。進(jìn)入每個網(wǎng)址后，把該頁面的所有網(wǎng)址作為新的種子網(wǎng)址繼續(xù)爬取，源源不斷，生生不息。但爬到以后，一般直接把整個頁面的源代碼保存下來，通過 Kafka 或者其他組件傳給另外的服務(wù)進(jìn)行解析。
為了讓 Scrapy 適配這種通用的解析邏輯，需要做一些定制化修改。Scrapy 官方文檔中，給出了幾點(diǎn)修改建議。
修改調(diào)度隊(duì)列
Scrapy 默認(rèn)的調(diào)度隊(duì)列是scrapy.pqueues.ScrapyPriorityQueue，它適合做定向爬蟲使用，對于通用爬蟲，我們應(yīng)該修改為scrapy.pqueues.DownloaderAwarePriorityQueue。在 settings.py文件中添加一行：
- SCHEDULER_PRIORITY_QUEUE = 'scrapy.pqueues.DownloaderAwarePriorityQueue'
提高并發(fā)量在
settings.py中增加配置：
- CONCURRENT_REQUESTS = 100
- CONCURRENT_REQUESTS_PER_DOMAIN = 100
但是并發(fā)量實(shí)際上受內(nèi)存和 CPU 的限制，建議實(shí)際測試，選擇最適合的數(shù)字。
提高 Twisted IO 線程池大小
Scrapy 在做 DNS 解析的時候，是阻塞式的。所以請求量越高，解析 DNS 就會越慢。為了避免這個情況，可以提高線程池的大小。在 settings.py中增加一個配置：
- REACTOR_THREADPOOL_MAXSIZE = 20
搭建專用 DNS 服務(wù)器
如果爬蟲進(jìn)程數(shù)太多，并發(fā)又太快，可能會對 DNS 服務(wù)器形成 Dos 攻擊。所以建議自己單獨(dú)搭建一個 DNS 服務(wù)器。
減少日志量
Scrapy 默認(rèn)是 DEBUG 級別的日志等級，每次爬取會產(chǎn)生大量的日志。通過把日志等級調(diào)整到INFO 可以大大減少日志量。在 settings.py 中增加一行：
- LOG_LEVEL = 'INFO'
禁用 Cookies 和自動重試
大規(guī)模爬蟲一般不需要用到 Cookies，所以可以把它禁用。請求失敗的自動重試會降低爬蟲的速度。但是由于大規(guī)模爬蟲的爬取范圍很大，對于個別失敗的請求沒有必要重試。因此修改settings.py：
- COOKIES_ENABLED = False
- RETRY_ENABLED = False
降低請求超時時間，禁用自動跳轉(zhuǎn)
有些網(wǎng)址因?yàn)檫h(yuǎn)在大洋彼岸或者受到了干擾，請求響應(yīng)時間很長。對于這種網(wǎng)址，應(yīng)該果斷放棄，避免影響其他網(wǎng)址的爬取。
禁用自動跳轉(zhuǎn)功能，也有助于提高網(wǎng)頁訪問速度。
- DOWNLOAD_TIMEOUT = 10
- REDIRECT_ENABLED = False
使用廣度有限搜索
Scrapy 默認(rèn)基于深度優(yōu)先(DFO)搜索算法。但在大規(guī)模爬蟲中，我們一般會使用廣度有限(BFO)搜索算法：
- DEPTH_PRIORITY = 1
- SCHEDULER_DISK_QUEUE = 'scrapy.squeues.PickleFifoDiskQueue'
- SCHEDULER_MEMORY_QUEUE = 'scrapy.squeues.FifoMemoryQueue'
關(guān)注內(nèi)存，謹(jǐn)防內(nèi)存泄露如果你發(fā)現(xiàn)爬蟲占用大量內(nèi)存，但是速度遠(yuǎn)遠(yuǎn)低于你設(shè)置的并發(fā)速度，那么要考慮是否發(fā)生了內(nèi)存泄露。
