python celery异步队列爬虫的实现!!
本帖最后由 oskfh 于 2019-3-18 17:11 编辑python celery爬虫简介
[*]celery是一个任务队列,同时也支持任务调度，强大的生产者消费者模型
[*]附上最新celery文档http://docs.celeryproject.org/en/latest/
[*]整个爬虫程序将请求页面, 下载页面, 解释页面分成3个队列, 耦合度较低, 并可以定制化不同程序对应不同数量的worker,资源合理分配
[*]main.py中实现用python脚本打开celery服务
[*]在celery_app/tasks定义的任务
[*]celery实例通过配置文件celeryconfig.py配置
注意
[*]启动worker的时候如果需要使用celerybeat的定时功能，需要加上-B的参数
[*]启动一个 download_queue,-A app的位置,-Q 指定启动的队列,worker 消费者,-c 4个并发,-B 启动该队列的celerybeaet，-n 节点名字为downloader，-l log等级为info celery -A tasks.workers -Q download_queue worker -B -l info -c 4 -n downloader
[*]在app.conf.update('CELERYBEAT_SCHEDULE')中能够实现celerybeat的定时任务功能，如果是定时执行，比如某天的某小时，可以使用crontab的方式来完成
[*]log中使用dictConfig的方式添加日志，格式比较清晰，后续可以使用该方式来设置日志
[*]实例化celery的app的时候，使，能够让celery自动的从celery_app.tasks中寻找tasks，方便用include的方式
[*]在tasks中传递了resposne对象，不能使用json的序列化方式，选择pickle的方式
[*]在task中，都是用app.send_task("**task", args=(response,),queue="parse_page_list",routing_key="for_page_list") 来把结果交给一个task去完成，同时使用queue和routing_key的方式来，能够把当前任务队列中的内容传递到另一个任务队列，celery能够自动的寻找queue和routing_key匹配的队列去接收任务
本代码可以加强的地方
[*]数据库存入时候的去重
[*]请求的时候对cookie，headers的处理，refer的处理，代{过}{滤}理ip的处理
使用体会
[*]使用celery能够轻松的帮助我们完成一个大型的分布式爬虫，但是如果和scrapy或者是scrapy_redis相比的话，整个程序会变得很凌乱
[*]后续的框架，可以使用celery来完成一些细节功能的异步调用，但是目前感觉不能纯粹的依靠celery来完成一个分布式的爬虫, 而是要把celery用在他正确的用途上, 例如注册后发送验证邮件.等等
下面是项目图片:
如果你们感兴趣,可以在下面评论,给我些热心值吧,哈哈哈,我会公布源码出来
不错，感谢分享经验！！！！！！！！！！！！！！ ytahdou 发表于 2019-3-18 15:52
不错，感谢分享经验！！！！！！！！！！！！！！
给个热心值啊, 老铁{:1_918:} 顶一下,好东西 oskfh 发表于 2019-3-18 15:54
给个热心值啊, 老铁
已经评分！！！！！！！！！！！
Python还是很火的。 ytahdou 发表于 2019-3-19 09:19
已经评分！！！！！！！！！！！
Python还是很火的。
谢谢,老铁支持 顶一个,好东西 8f5t8f5t8f5t8f5t aiohttp用吗
页:
[1]