python分布式爬虫中spider_Worker节点指的是什么

这篇文章主要介绍python分布式爬虫中spider_Worker节点指的是什么，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

在将多线程版本改写成分布式的爬虫,主要用的可跨平台的multiprocessing.managers的BaseManager模块，这个模块的主要功能就是将task_queue和result_queue两个队列注册成函数暴露到网上去,Master节点监听端口，让Worker子节点去连接，不同主机之间就可以通过注册的函数来共享同步资源，Master节点主要负责发送任务和获取结果，Worker就获取任务队列的任务开始跑，并将获取的结果存储到数据库获取返回回来。

spider_Worker 节点主要调用spider()函数对任务进行处理，方法都类似，子节点每获取一个链接就传回Master, 另外需要注意的是Master文件只能运行一个，但Worker节点可以同时运行多个并行同步处理task任务队列。

spider_Master.py

#coding:utf-8   from multiprocessing.managers import BaseManager from Queue import Queue import time import argparse import MySQLdb import sys   page = 2 word = 'inurl:login.action' output = 'test.txt'   page = (page+1) * 10   host = '127.0.0.1' port = 500 urls = []   class Master(): def __init__(self):         self.task_queue = Queue() #server需要先创建两个共享队列，worker端不需要         self.result_queue = Queue()   def start(self):         BaseManager.register('get_task_queue',callable=lambda:self.task_queue) #在网络上注册一个get_task_queue函数,即把两个队列暴露到网上,worker端不需要callable参数         BaseManager.register('get_result_queue',callable=lambda:self.result_queue)           manager = BaseManager(address=(host,port),authkey='sir')         manager.start() #master端为start,即开始监听端口,worker端为connect           task = manager.get_task_queue() #master和worker都是从网络上获取task队列和result队列，不能在创建的两个队列         result = manager.get_result_queue()     print 'put task' for i in range(0,page,10):             target = 'https://www.baidu.com/s?wd=%s&pn=%s'%(word,i) print 'put task %s'%target             task.put(target)   print 'try get result' while True: try:                 url = result.get(True,5) #获取数据时需要超时长一些 print url                 urls.append(url) except: break         manager.shutdown()   if __name__ == '__main__':     start = time.time()     server = Master()     server.start() print '共爬取数据%s条'%len(urls) print time.time()-start with open(output,'a') as f: for url in urls:             f.write(url[1]+'\n')       conn = MySQLdb.connect('localhost','root','root','Struct',charset='utf8')     cursor = conn.cursor() for record in urls:         sql = "insert into s045 values('%s','%s','%s')"%(record[0],record[1],str(record[2]))         cursor.execute(sql)     conn.commit() conn.close()

spider_Worker

#coding:utf-8     import re import Queue import time import requests from multiprocessing.managers import BaseManager from bs4 import BeautifulSoup as bs     host = '127.0.0.1' port = 500       class Worder(): def __init__(self):         self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0'}   def spider(self,target,result):         urls = []         pn = int(target.split('=')[-1])/10 +1 # print pn # print target         html = requests.get(target,headers=self.headers)         soup = bs(html.text,"lxml")         res = soup.find_all(name="a", attrs={'class':'c-showurl'}) for r in res: try:                 h = requests.get(r['href'],headers=self.headers,timeout=3) if h.status_code == 200:                     url = h.url # print url                     time.sleep(1)                     title = re.findall(r'<title>(.*?)</title>',h.content)[0] # print url,title                     title = title.decode('utf-8') print 'send spider url:',url                     result.put((pn,url,title)) else: continue except: continue   # return urls     def start(self):         BaseManager.register('get_task_queue')         BaseManager.register('get_result_queue')   print 'Connect to server %s'%host         m = BaseManager(address=(host,port),authkey='sir')         m.connect()           task = m.get_task_queue()         result = m.get_result_queue()   print 'try get queue' while True: try:                 target = task.get(True,1) print 'run pages %s'%target                 res = self.spider(target,result) # print res   except: break         if __name__ == '__main__':     w = Worder() w.start()

以上是“python分布式爬虫中spider_Worker节点指的是什么”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！