Python操作Redis - 云爬虫初探

原创

钟志远

修改于 2017-06-19 19:12:46

2.3K0

云存储Redis（Cloud Redis Store）是腾讯云打造的兼容Redis协议的缓存和存储服务，提供主从版和集群版。丰富的数据结构能帮助您完成不同类型的业务场景开发。支持主从热备，提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。

当你使用Python写分布式爬虫的时候就需要使用Redis了，今天这篇文章就让我们走进分布式爬虫的世界。

第一步你可以先在 https://www.qcloud.com/product/crs 页面购买云存储Redis，可以继续使用之前的实名认证的优惠券；如果你是学生你可以进行学生认证，会有更多优惠。

购买完成之后访问：https://console.qcloud.com/redis 页面，在此页面需要自己配置初始化密码。如下图，第一条为刚购买未初始化密码的，只需要点击初始化密码并设计密码即可，第二条为已经初始化完成的。现在我们就可以通过IP，以及你刚刚设置的密码进行访问了。同时请记住你的实例的内网地址，这就是你下面连接此实例时候使用的IP，这里我的第二条已经初始化好的实例的地址端口是：10.66.161.215:6379

因为我们需要做爬虫，需要使用Python操作Redis，需要我们自己去了解其中的原理吗？不需要，Python中有这样的一个库：redis，只需要在我们之前配置好的腾讯云服务器上执行命令：pip install redis

显示Successfully installed redis则表示安装成功了，下面我们先做一些测试。说一个坑：腾讯云用Python连接云存储的时候密码不是你创建该实例的时候的密码，真实的密码格式为：实例ID：你自己设置的密码

import requests
import re
import time
from redis import Redis
headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36' }

def push_redis_list():
    r = Redis(host='10.66.149.8',port=6379,password='')
    for i in range(100):
        num = 5100+i;
        url ='http://www.meizitu.com/a/'+ str(num) +'.html'
        img_url = requests.get(url,timeout=30)
        #print img_url.text
        #time.sleep(10)
        img_url_list = re.findall('http://mm.howkuai.com/wp-content/uploads/201.*.jpg',img_url.text)
        print(img_url_list)
        for temp_img_url in img_url_list:
            l = len(re.findall('limg',temp_img_url))
            #print l
            if(l == 0):
                print("url: ",temp_img_url)
                r.lpush('meizitu',temp_img_url)
        print(r.llen('meizitu'))
    return 0

def get_big_img_url():
    r = Redis(host='10.66.149.8',port=6379,password='')
    while(1):
        try:
            url = r.lpop('meizitu')
            download(url)
            time.sleep(1)
            print(url)
        except:
            print("请求求发送失败重试")
            time.sleep(10)
            continue
    return 0

def download(url):
    try:
        r = requests.get(url,headers=headers,timeout = 50)
        name = int(time.time())
        f = open('./pic/'+str(name)+'.jpg','wb')
        f.write(r.content)
        f.close()
    except Exception as e:
        print(Exception,":",e)

if __name__ == '__main__':
    url = 'http://www.meizitu.com/a/list_1_'
    print("begin")
    push_redis_list()#开启则加任务队列
    #get_big_img_url()#开启则运行爬取任务

这段代码用来下载美图网上100个页面的所有的图片，我们的思路是先把100个页面上的所有的图片url存储到redis上面。就上面的代码中push_redis_list函数所实现的。

接着，我们用两台云服务器同时连接redis执行get_big_img_url函数，第二台服务器的配置请参照前面的两篇配置文章。