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; crawler@alexa.com)',

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.txt

docker 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

参考及致谢

• https://github.com/noplay/scrapy-graphite
• https://github.com/gnemoug/distribute_crawler
• https://github.com/hopsoft/docker-graphite-statsd
• https://github.com/aivarsk/scrapy-proxies