分布式爬虫概述

---

什么是分布式爬虫：

　　　　　多个爬虫分布在不同的服务器上，通过状态管理器进行统一调度，达到像URL去重等功能的爬虫系统

　　

分布式爬虫的优点

　　1） 充分利用多台机器的宽带加速

　　2）充分利用多机器的IP加速爬取速度

 

Scrapy分布式爬虫原理

　　　　单机Scrapy爬虫架构

　　

分布式爬虫需要改进的Scrapy

　　　　1）requests队列集中管理（在架构图中SCHEDULER中管理）

　　　　2）URL去重集中管理　　

　　　 解决方法：

　　　　　　requests队列存储在单机的内存当中，URL去重原理也是存储在内存当中的Set()集合中，解决这两个问题，

　　　　可以将这个队列和集合存储在数据库中，进行统一的资源管理。

　　　　　　在选择数据库时推荐使用Redis数据库，它是一个基于内存的数据库，将Requests队列和URL集合存储在内存，避免数据落地，提高效率