pip install scrapy-redis
easy_install scrapy-redis
下载
http://redis.io/download
版本推荐
stable 3.0.2
运行redis
redis-server redis.conf
清空缓存
redis-cli flushdb
settings.py配置redis（在scrapy-redis 自带的例子中已经配置好）
SCHEDULER = "scrapy_redis.scheduler.Scheduler"
SCHEDULER_PERSIST = True
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.SpiderPriorityQueue'
REDIS_URL = None # 一般情况可以省去
REDIS_HOST = '127.0.0.1' # 也可以根据情况改成 localhost
REDIS_PORT = 6379
spider 继承RedisSpider
class tempSpider(RedisSpider)
name = "temp"
redis_key = ''temp:start_url"
在redis的src目录下，执行 ./redis-server启动服务器
执行 ./redis-cli 启动客户端
启动scropy-redis的代码；
如启动name= "lhy"，start_urls="lhy:start_urls" 的spider。
如果在redis中没有 主键为lhy:start_urls 的list，则爬虫已只监听等待。
此时，在redis客户端执行：lpush lhy:start_urls http://blog.csdn.net/u013378306/article/details/53888173
可以看到爬虫开始抓取。在 redis客户端下输入 keys *，查看所有主键
原来的 lhy:start_urls 已经被自动删除，并新建了 一个lhy:dupefilter (set),一个 lhy:items (list), 一个 lhy:requests（zset）
lhy:dupefilter用来存储 已经requests 过的url的hash值，分布式去重时使用到, lhy:items是分布式生成的items，lhy:requests是新生成的 url封装后的requests。
理论上，lhy:dupefilter 等于已经request的数量，一直增加
lhy:items 是经过 spider prase生成的
lhy:requests 是有序集合ZSET，scrapy-redis 重新吧他封装成了一个队列，requests是spider 解析生成新url后重新封装，如果不载有新的url产生，则随着spider的prase，一直减少。总之取request时出队列，新的url会重新封装成request后增加进来，入队列。
scrapy-redis 重写了scrapy的多个类，具体请看http://blog.csdn.net/u013378306/article/details/53992707
并且在setting.py中 配置了这些类，所以当运行scrapy-redis例子时,自动使用了scrapy-redis 重写的类。
下载scrapy-redis源代码 https://github.com/rolando/scrapy-Redis
文档结构如下：
其中，src 中是scrapy-redis的源代码。
example-redis 是写好的例子，其中有三个例子
（1）domz.py （2） mycrawler_redis.py （3） myspider.py
文档中队者三个例子的解释如下
* **dmoz** This spider simply scrapes dmoz.org. * **myspider_redis** This spider uses redis as a shared requests queue and uses ``myspider:start_urls`` as start URLs seed. For each URL, the spider outputs one item. * **mycrawler_redis** This spider uses redis as a shared requests queue and uses ``mycrawler:start_urls`` as start URLs seed. For each URL, the spider follows are links.domz.py :此例子仅仅是抓取一个网站下的数据，没有用分布式
from scrapy.linkextractors import LinkExtractor from scrapy.spiders import CrawlSpider, Rule class DmozSpider(CrawlSpider): """Follow categories and extract links.""" name = 'dmoz' allowed_domains = ['dmoz.org'] start_urls = ['http://www.dmoz.org/'] rules = [ Rule(LinkExtractor( restrict_css=('.top-cat', '.sub-cat', '.cat-item') ), callback='parse_directory', follow=True), ] def parse_directory(self, response): for div in response.css('.title-and-desc'): yield { 'name': div.css('.site-title::text').extract_first(), 'description': div.css('.site-descr::text').extract_first().strip(), 'link': div.css('a::attr(href)').extract_first(), }mycrawler_redis.py 此例子 使用 RedisCrawlSpider类，支持分布式去重爬取，并且 可以定义抓取连接的rules
from scrapy.spiders import Rule from scrapy.linkextractors import LinkExtractor from scrapy_redis.spiders import RedisCrawlSpider class MyCrawler(RedisCrawlSpider): """Spider that reads urls from redis queue (myspider:start_urls).""" name = 'mycrawler_redis' redis_key = 'mycrawler:start_urls' rules = ( # follow all links Rule(LinkExtractor(), callback='parse_page', follow=True), ) def __init__(self, *args, **kwargs): # Dynamically define the allowed domains list. domain = kwargs.pop('domain', '') self.allowed_domains = filter(None, domain.split(',')) super(MyCrawler, self).__init__(*args, **kwargs) def parse_page(self, response): return { 'name': response.css('title::text').extract_first(), 'url': response.url, } myspider.py 此例子支持分布式去重爬取，但不支持定义规则抓取url from scrapy_redis.spiders import RedisSpider class MySpider(RedisSpider): """Spider that reads urls from redis queue (myspider:start_urls).""" name = 'myspider_redis' redis_key = 'myspider:start_urls' def __init__(self, *args, **kwargs): # Dynamically define the allowed domains list. domain = kwargs.pop('domain', '') self.allowed_domains = filter(None, domain.split(',')) super(MySpider, self).__init__(*args, **kwargs) def parse(self, response): return { 'name': response.css('title::text').extract_first(), 'url': response.url, }