scrapy適合用來處理python爬蟲調度么

這篇文章給大家分享的是有關scrapy適合用來處理python爬蟲調度么的內容。小編覺得挺實用的，因此分享給大家做個參考。一起跟隨小編過來看看吧。

需要使用代碼來爬一些數據的大概分為兩類人：

非程序員，需要爬一些數據來做畢業設計、市場調研等等，他們可能連 Python 都不是很熟；

程序員，需要設計大規模、分布式、高穩定性的爬蟲系統，對他們來說，語言都無所謂的，更別說用不用框架了。

對于一個任何一個已經入門的程序員來說，Python 都算不上一個很復雜的語言，除了不用大括號可能讓一些人感覺有些不適應之外，基本上看看語法上手就能寫了。但是恰恰是因為我們都是老司機了，所以不能體會到使用一門編程語言對于外行來說可能『比登天還難』。如果不用 scrapy，可能我只需要這樣：

import requests
 
def main():
    for i in range(100):
        rsp = requests.get(f"http://www.example.com/{i}.html")
        with open("example-{i}.txt", "w") as f:
            f.write(rsp.text)
 
if __name__ == "__main__":
    main()

就寫好了一個簡單的爬蟲，而使用 scrapy 呢，大概需要這樣吧：

import scrapy
 
class QuotesSpider(scrapy.Spider):
    name = 'quotes'
    
    def start_requests(self):
        urls = [
            'http://quotes.toscrape.com/page/1/',
            'http://quotes.toscrape.com/page/2/'
        ]
        for url in urls:
            yield scrapy.Request(url=url, callback=self.parse)
 
    def parse(self, response):
        page = response.url.split('/')[-2]
        filename = 'quotes-%s.html' % page
        with open(filename, 'wb') as f:
            f.write(response.body)
        self.log('Save file %s' % filename)

先不說代碼增長了一倍有余，初學者會問到這些問題：什么是 class？為什么類還有參數？啊，什么是繼承？yield 又是什么鬼，那個 scrapy.Request 又是啥？這些都是負擔。

既然要開發大型爬蟲系統，那么其中很重要的一部分就是爬蟲的調度了。一種比較簡單的模式是 scheduler 作為 master，全局調度。另一種模式沒有 master，所有的爬蟲 worker 都是對等的。在實際生產中顯然是第一種用的更多。

顯然 scheduler 這部分是不能再用一個爬蟲框架來實現的，連主循環都沒有咋寫邏輯呢？我們可能還要實現增量爬取，或者消費業務方發來的爬取請求等各種業務，這塊顯然是在 scheduler 里面的，那么這個爬蟲系統無非是 scheduler 分發任務給各個 worker 來抓取。worker 還可以使用 scrapy 實現，但是呢，這個 worker 其實已經弱化為一層薄薄的 downloader 了，那我要他干嘛呢？scrapy 的核心邏輯也不過是個深度或者廣度優先的遍歷而已，少一個依賴不好么……

爬蟲的工作量要么在反爬，要么在調度等業務邏輯，本身只是一個 requests.get 而已，scrapy 提供的種種抽象對于初學者太復雜，大型系統又用不上，所以個人不推薦使用包括但不限于 scrapy 在內的所有爬蟲框架。

感謝各位的閱讀！關于scrapy適合用來處理python爬蟲調度么就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！