(2018-05-22.Python從Zero到One)6虱痕、(爬蟲)scrapy-Redis分布式組件__1.6.2源碼分析參考:Dupefitter

dupefilter.py

負責(zé)執(zhí)行requst的去重役拴,實現(xiàn)的很有技巧性惩阶,使用redis的set數(shù)據(jù)結(jié)構(gòu)挎狸。但是注意scheduler并不使用其中用于在這個模塊中實現(xiàn)的dupefilter鍵做request的調(diào)度,而是使用queue.py模塊中實現(xiàn)的queue断楷。

當request不重復(fù)時锨匆,將其存入到queue中,調(diào)度時將其彈出冬筒。

import logging
import time

from scrapy.dupefilters import BaseDupeFilter
from scrapy.utils.request import request_fingerprint

from .connection import get_redis_from_settings


DEFAULT_DUPEFILTER_KEY = "dupefilter:%(timestamp)s"

logger = logging.getLogger(__name__)


# TODO: Rename class to RedisDupeFilter.
class RFPDupeFilter(BaseDupeFilter):
    """Redis-based request duplicates filter.
    This class can also be used with default Scrapy's scheduler.
    """

    logger = logger

    def __init__(self, server, key, debug=False):
        """Initialize the duplicates filter.
        Parameters
        ----------
        server : redis.StrictRedis
            The redis server instance.
        key : str
            Redis key Where to store fingerprints.
        debug : bool, optional
            Whether to log filtered requests.
        """
        self.server = server
        self.key = key
        self.debug = debug
        self.logdupes = True

    @classmethod
    def from_settings(cls, settings):
        """Returns an instance from given settings.
        This uses by default the key ``dupefilter:<timestamp>``. When using the
        ``scrapy_redis.scheduler.Scheduler`` class, this method is not used as
        it needs to pass the spider name in the key.
        Parameters
        ----------
        settings : scrapy.settings.Settings
        Returns
        -------
        RFPDupeFilter
            A RFPDupeFilter instance.
        """
        server = get_redis_from_settings(settings)
        # XXX: This creates one-time key. needed to support to use this
        # class as standalone dupefilter with scrapy's default scheduler
        # if scrapy passes spider on open() method this wouldn't be needed
        # TODO: Use SCRAPY_JOB env as default and fallback to timestamp.
        key = DEFAULT_DUPEFILTER_KEY % {'timestamp': int(time.time())}
        debug = settings.getbool('DUPEFILTER_DEBUG')
        return cls(server, key=key, debug=debug)

    @classmethod
    def from_crawler(cls, crawler):
        """Returns instance from crawler.
        Parameters
        ----------
        crawler : scrapy.crawler.Crawler
        Returns
        -------
        RFPDupeFilter
            Instance of RFPDupeFilter.
        """
        return cls.from_settings(crawler.settings)

    def request_seen(self, request):
        """Returns True if request was already seen.
        Parameters
        ----------
        request : scrapy.http.Request
        Returns
        -------
        bool
        """
        fp = self.request_fingerprint(request)
        # This returns the number of values added, zero if already exists.
        added = self.server.sadd(self.key, fp)
        return added == 0

    def request_fingerprint(self, request):
        """Returns a fingerprint for a given request.
        Parameters
        ----------
        request : scrapy.http.Request
        Returns
        -------
        str
        """
        return request_fingerprint(request)

    def close(self, reason=''):
        """Delete data on close. Called by Scrapy's scheduler.
        Parameters
        ----------
        reason : str, optional
        """
        self.clear()

    def clear(self):
        """Clears fingerprints data."""
        self.server.delete(self.key)

    def log(self, request, spider):
        """Logs given request.
        Parameters
        ----------
        request : scrapy.http.Request
        spider : scrapy.spiders.Spider
        """
        if self.debug:
            msg = "Filtered duplicate request: %(request)s"
            self.logger.debug(msg, {'request': request}, extra={'spider': spider})
        elif self.logdupes:
            msg = ("Filtered duplicate request %(request)s"
                   " - no more duplicates will be shown"
                   " (see DUPEFILTER_DEBUG to show all duplicates)")
            msg = "Filtered duplicate request: %(request)s"
            self.logger.debug(msg, {'request': request}, extra={'spider': spider})
            self.logdupes = False

這個文件看起來比較復(fù)雜恐锣,重寫了scrapy本身已經(jīng)實現(xiàn)的request判重功能。因為本身scrapy單機跑的話舞痰,只需要讀取內(nèi)存中的request隊列或者持久化的request隊列(scrapy默認的持久化似乎是json格式的文件土榴,不是數(shù)據(jù)庫)就能判斷這次要發(fā)出的request url是否已經(jīng)請求過或者正在調(diào)度(本地讀就行了)。而分布式跑的話响牛,就需要各個主機上的scheduler都連接同一個數(shù)據(jù)庫的同一個request池來判斷這次的請求是否是重復(fù)的了玷禽。

在這個文件中,通過繼承BaseDupeFilter重寫他的方法呀打,實現(xiàn)了基于redis的判重矢赁。根據(jù)源代碼來看,scrapy-redis使用了scrapy本身的一個fingerprint接request_fingerprint贬丛,這個接口很有趣撩银,根據(jù)scrapy文檔所說,他通過hash來判斷兩個url是否相同(相同的url會生成相同的hash結(jié)果)瘫寝,但是當兩個url的地址相同蜒蕾,get型參數(shù)相同但是順序不同時,也會生成相同的hash結(jié)果(這個真的比較神奇焕阿。咪啡。。)所以scrapy-redis依舊使用url的fingerprint來判斷request請求是否已經(jīng)出現(xiàn)過暮屡。

這個類通過連接redis撤摸,使用一個key來向redis的一個set中插入fingerprint(這個key對于同一種spider是相同的,redis是一個key-value的數(shù)據(jù)庫褒纲,如果key是相同的准夷,訪問到的值就是相同的,這里使用spider名字+DupeFilter的key就是為了在不同主機上的不同爬蟲實例莺掠,只要屬于同一種spider衫嵌,就會訪問到同一個set,而這個set就是他們的url判重池)彻秆,如果返回值為0楔绞,說明該set中該fingerprint已經(jīng)存在(因為集合是沒有重復(fù)值的),則返回False唇兑,如果返回值為1酒朵,說明添加了一個fingerprint到set中,則說明這個request沒有重復(fù)扎附,于是返回True蔫耽,還順便把新fingerprint加入到數(shù)據(jù)庫中了。 DupeFilter判重會在scheduler類中用到留夜,每一個request在進入調(diào)度之前都要進行判重匙铡,如果重復(fù)就不需要參加調(diào)度,直接舍棄就好了碍粥,不然就是白白浪費資源慰枕。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市即纲,隨后出現(xiàn)的幾起案子具帮,更是在濱河造成了極大的恐慌,老刑警劉巖低斋,帶你破解...
    沈念sama閱讀 222,252評論 6 516
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件蜂厅,死亡現(xiàn)場離奇詭異,居然都是意外死亡膊畴,警方通過查閱死者的電腦和手機掘猿,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,886評論 3 399
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來唇跨,“玉大人稠通,你說我怎么就攤上這事衬衬。” “怎么了改橘?”我有些...
    開封第一講書人閱讀 168,814評論 0 361
  • 文/不壞的土叔 我叫張陵滋尉,是天一觀的道長。 經(jīng)常有香客問我飞主,道長狮惜,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 59,869評論 1 299
  • 正文 為了忘掉前任碌识,我火速辦了婚禮碾篡,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘筏餐。我一直安慰自己开泽,他們只是感情好,可當我...
    茶點故事閱讀 68,888評論 6 398
  • 文/花漫 我一把揭開白布魁瞪。 她就那樣靜靜地躺著眼姐,像睡著了一般。 火紅的嫁衣襯著肌膚如雪佩番。 梳的紋絲不亂的頭發(fā)上众旗,一...
    開封第一講書人閱讀 52,475評論 1 312
  • 那天,我揣著相機與錄音趟畏,去河邊找鬼贡歧。 笑死,一個胖子當著我的面吹牛赋秀,可吹牛的內(nèi)容都是我干的利朵。 我是一名探鬼主播,決...
    沈念sama閱讀 41,010評論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼猎莲,長吁一口氣:“原來是場噩夢啊……” “哼绍弟!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起著洼,我...
    開封第一講書人閱讀 39,924評論 0 277
  • 序言:老撾萬榮一對情侶失蹤樟遣,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后身笤,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體豹悬,經(jīng)...
    沈念sama閱讀 46,469評論 1 319
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,552評論 3 342
  • 正文 我和宋清朗相戀三年液荸,在試婚紗的時候發(fā)現(xiàn)自己被綠了瞻佛。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 40,680評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡娇钱,死狀恐怖伤柄,靈堂內(nèi)的尸體忽然破棺而出绊困,到底是詐尸還是另有隱情,我是刑警寧澤适刀,帶...
    沈念sama閱讀 36,362評論 5 351
  • 正文 年R本政府宣布秤朗,位于F島的核電站,受9級特大地震影響蔗彤,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜疯兼,卻給世界環(huán)境...
    茶點故事閱讀 42,037評論 3 335
  • 文/蒙蒙 一然遏、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧吧彪,春花似錦待侵、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,519評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至傀缩,卻和暖如春那先,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背赡艰。 一陣腳步聲響...
    開封第一講書人閱讀 33,621評論 1 274
  • 我被黑心中介騙來泰國打工售淡, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人慷垮。 一個月前我還...
    沈念sama閱讀 49,099評論 3 378
  • 正文 我出身青樓揖闸,卻偏偏與公主長得像,于是被迫代替她去往敵國和親料身。 傳聞我的和親對象是個殘疾皇子汤纸,可洞房花燭夜當晚...
    茶點故事閱讀 45,691評論 2 361

推薦閱讀更多精彩內(nèi)容