第一节：redis数据库介绍

概述

redis是一种支持分布式的nosql数据库,他的数据是保存在内存中，同时redis可以定时把内存数据同步到磁盘，即可以将数据持久化，并且他比memcached支持更多的数据结构(string,list列表[队列和栈],set[集合],sorted set[有序集合],hash(hash表))。相关参考文档：http://redisdoc.com/index.html

redis使用场景：

1. 登录会话存储：存储在redis中，与memcached相比，数据不会丢失。
2. 排行版/计数器：比如一些秀场类的项目，经常会有一些前多少名的主播排名。还有一些文章阅读量的技术，或者新浪微博的点赞数等。
3. 作为消息队列：比如celery就是使用redis作为中间人。
4. 当前在线人数：还是之前的秀场例子，会显示当前系统有多少在线人数。
5. 一些常用的数据缓存：比如我们的BBS论坛，板块不会经常变化的，但是每次访问首页都要从mysql中获取，可以在redis中缓存起来，不用每次请求数据库。
6. 把前200篇文章缓存或者评论缓存：一般用户浏览网站，只会浏览前面一部分文章或者评论，那么可以把前面200篇文章和对应的评论缓存起来。用户访问超过的，就访问数据库，并且以后文章超过200篇，则把之前的文章删除。
7. 好友关系：微博的好友关系使用redis实现。
8. 发布和订阅功能：可以用来做聊天软件。

redis和memcached的比较：

redis在ubuntu系统中的安装与启动

1. 安装：

    sudo apt-get install redis-server
   

2. 卸载：

    sudo apt-get purge --auto-remove redis-server
   

3. 启动：redis安装后，默认会自动启动，可以通过以下命令查看：

    ps aux|grep redis
   

   如果想自己手动启动，可以通过以下命令进行启动：

    sudo service redis-server start
   

4. 停止：

    sudo service redis-server stop
   

redis在windows系统中的安装与启动：

1. 下载：redis官方是不支持windows操作系统的。但是微软的开源部门将redis移植到了windows上。因此下载地址不是在redis官网上。而是在github上：https://github.com/MicrosoftArchive/redis/releases。
2. 安装：点击一顿下一步安装就可以了。
3. 运行：进入到redis安装所在的路径然后执行redis-server.exe redis.windows.conf就可以运行了。
4. 连接：redis和mysql以及mongo是一样的，都提供了一个客户端进行连接。输入命令redis-cli（前提是redis安装路径已经加入到环境变量中了）就可以连接到redis服务器了。

其他机器访问本机redis服务器：

想要让其他机器访问本机的redis服务器。那么要修改redis.conf的配置文件，将bind改成bind [自己的ip地址或者0.0.0.0]，其他机器才能访问。
注意：bind绑定的是本机网卡的ip地址，而不是想让其他机器连接的ip地址。如果有多块网卡，那么可以绑定多个网卡的ip地址。如果绑定到额是0.0.0.0，那么意味着其他机器可以通过本机所有的ip地址进行访问。

对redis的操作

对redis的操作可以用两种方式，第一种方式采用redis-cli，第二种方式采用编程语言，比如Python、PHP和JAVA等。

1. 使用redis-cli对redis进行字符串操作：

2. 启动redis：

     sudo service redis-server start
   

3. 连接上redis-server：

     redis-cli -h [ip] -p [端口]
   

4. 添加：

     set key value
     如：
     set username xiaotuo
   

   将字符串值value关联到key。如果key已经持有其他值，set命令就覆写旧值，无视其类型。并且默认的过期时间是永久，即永远不会过期。

5. 删除：

     del key
     如：
     del username
   

6. 设置过期时间：

     expire key timeout(单位为秒)
   

   也可以在设置值的时候，一同指定过期时间：

     set key value EX timeout
     或：
     setex key timeout value
   

7. 查看过期时间：

     ttl key
     如：
     ttl username
   

8. 查看当前redis中的所有key：

     keys *
   

9. 列表操作：

   • 在列表左边添加元素：

       lpush key value
     

     将值value插入到列表key的表头。如果key不存在，一个空列表会被创建并执行lpush操作。当key存在但不是列表类型时，将返回一个错误。

   • 在列表右边添加元素：

       rpush key value
     

     将值value插入到列表key的表尾。如果key不存在，一个空列表会被创建并执行RPUSH操作。当key存在但不是列表类型时，返回一个错误。

   • 查看列表中的元素：

       lrange key start stop
     

     返回列表key中指定区间内的元素，区间以偏移量start和stop指定,如果要左边的第一个到最后的一个lrange key 0 -1。

   • 移除列表中的元素：

     • 移除并返回列表key的头元素：

         lpop key
       

     • 移除并返回列表的尾元素：

       rpop key
       

     • 移除并返回列表key的中间元素：

         lrem key count value
       

       将删除key这个列表中，count个值为value的元素。

   • 指定返回第几个元素：

       lindex key index
     

     将返回key这个列表中，索引为index的这个元素。

   • 获取列表中的元素个数：

       llen key
       如：
       llen languages
     

   • 删除指定的元素：

       lrem key count value
       如：
       lrem languages 0 php
     

     根据参数 count 的值，移除列表中与参数 value 相等的元素。count的值可以是以下几种：

     • count > 0：从表头开始向表尾搜索，移除与value相等的元素，数量为count。
     • count < 0：从表尾开始向表头搜索，移除与 value相等的元素，数量为count的绝对值。
     • count = 0：移除表中所有与value 相等的值。

10. set集合的操作：

    • 添加元素：

        sadd set value1 value2....
        如：
        sadd team xiaotuo datuo
      

    • 查看元素：

        smembers set
        如：
        smembers team
      

    • 移除元素：

        srem set member...
        如：
        srem team xiaotuo datuo
      

    • 查看集合中的元素个数：

        scard set
        如：
        scard team1
      

    • 获取多个集合的交集：

        sinter set1 set2
        如：
        sinter team1 team2
      

    • 获取多个集合的并集：

        sunion set1 set2
        如：
        sunion team1 team2
      

    • 获取多个集合的差集：

      sdiff set1 set2
      如：
      sdiff team1 team2
      

11. hash哈希操作：

    • 添加一个新值：

        hset key field value
        如：
        hset website baidu baidu.com
      

      将哈希表key中的域field的值设为value。
      如果key不存在，一个新的哈希表被创建并进行 HSET操作。如果域 field已经存在于哈希表中，旧值将被覆盖。

    • 获取哈希中的field对应的值：

        hget key field
        如：
        hget website baidu
      

    • 删除field中的某个field：

        hdel key field
        如：
        hdel website baidu
      

    • 获取某个哈希中所有的field和value：

        hgetall key
        如：
        hgetall website
      

    • 获取某个哈希中所有的field：

        hkeys key
        如：
        hkeys website
      

    • 获取某个哈希中所有的值：

      hvals key
      如：
      hvals website
      

    • 判断哈希中是否存在某个field：

      hexists key field
      如：
      hexists website baidu
      

    • 获取哈希中总共的键值对：

      hlen field
      如：
      hlen website
      

12. 事务操作：Redis事务可以一次执行多个命令，事务具有以下特征：

    • 隔离操作：事务中的所有命令都会序列化、按顺序地执行，不会被其他命令打扰。
    • 原子操作：事务中的命令要么全部被执行，要么全部都不执行。

    • 开启一个事务：

        multi
      

      以后执行的所有命令，都在这个事务中执行的。

    • 执行事务：

        exec
      

      会将在multi和exec中的操作一并提交。

    • 取消事务：

        discard
      

      会将multi后的所有命令取消。

    • 监视一个或者多个key：

        watch key...
      

      监视一个(或多个)key，如果在事务执行之前这个(或这些) key被其他命令所改动，那么事务将被打断。

    • 取消所有key的监视：

        unwatch
      

13. 发布/订阅操作：

    • 给某个频道发布消息：

        publish channel message
      

    • 订阅某个频道的消息：

        subscribe channel    

第二节：Scrapy-Redis分布式爬虫组件

Scrapy是一个框架，他本身是不支持分布式的。如果我们想要做分布式的爬虫，就需要借助一个组件叫做Scrapy-Redis，这个组件正是利用了Redis可以分布式的功能，集成到Scrapy框架中，使得爬虫可以进行分布式。可以充分的利用资源（多个ip、更多带宽、同步爬取）来提高爬虫的爬行效率。

分布式爬虫的优点：

1. 可以充分利用多台机器的带宽。
2. 可以充分利用多台机器的ip地址。
3. 多台机器做，爬取效率更高。

分布式爬虫必须要解决的问题：

1. 分布式爬虫是好几台机器在同时运行，如何保证不同的机器爬取页面的时候不会出现重复爬取的问题。
2. 同样，分布式爬虫在不同的机器上运行，在把数据爬完后如何保证保存在同一个地方。

安装：

通过pip install scrapy-redis即可安装。

Scrapy-Redis架构：

Scrapy架构图：

Scrapy-Redis架构图：

分布式爬虫架构图：

以上两个图片对比我们可以发现。Item Pipeline在接收到数据后发送给了Redis、Scheduler调度器调度数据也是从Redis中来的、并且其实数据去重也是在Redis中做的。

编写Scrapy-Redis分布式爬虫：

要将一个Scrapy项目变成一个Scrapy-redis项目只需修改以下三点就可以了：

1. 将爬虫的类从scrapy.Spider变成scrapy_redis.spiders.RedisSpider；或者是从scrapy.CrawlSpider变成scrapy_redis.spiders.RedisCrawlSpider。
2. 将爬虫中的start_urls删掉。增加一个redis_key="xxx"。这个redis_key是为了以后在redis中控制爬虫启动的。爬虫的第一个url，就是在redis中通过这个发送出去的。
3. 在配置文件中增加如下配置：

    # Scrapy-Redis相关配置
    # 确保request存储到redis中
    SCHEDULER = "scrapy_redis.scheduler.Scheduler"

    # 确保所有爬虫共享相同的去重指纹
    DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"

    # 设置redis为item pipeline
    ITEM_PIPELINES = {
        ‘scrapy_redis.pipelines.RedisPipeline‘: 300
    }

    # 在redis中保持scrapy-redis用到的队列，不会清理redis中的队列，从而可以实现暂停和恢复的功能。
    SCHEDULER_PERSIST = True

    # 设置连接redis信息
    REDIS_HOST = ‘127.0.0.1‘
    REDIS_PORT = 6379

1. 运行爬虫：
   1. 在爬虫服务器上。进入爬虫文件所在的路径，然后输入命令：scrapy runspider [爬虫名字]。
   2. 在Redis服务器上，推入一个开始的url链接：redis-cli> lpush [redis_key] start_url开始爬取。