python celery异步队列爬虫的实现!!

oskfh

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:

调用种子url的方法

配置文件1

配置文件2

配置文件3

tasks文件

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

请点赞

ytahdou

不错，感谢分享经验！！！！！！！！！！！！！！

oskfh

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

oskfh

顶一下,好东西

ytahdou

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。

oskfh

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

feng504x

顶一个,好东西

samwang919

8f5t8f5t8f5t8f5t

zucker

aiohttp用吗