#一、源碼：D:\python3.6\Lib\site-packages\scrapy_redis\dupefilter.py



#二、配置scrapy使用redis提供的共享去重隊(duì)列

#2.1 在settings.py中配置鏈接Redis
REDIS_HOST = 'localhost'                            # 主機(jī)名
REDIS_PORT = 6379                                   # 端口
REDIS_URL = 'redis://user:pass@hostname:9001'       # 連接URL（優(yōu)先于以上配置）
REDIS_PARAMS  = {}                                  # Redis連接參數(shù)
REDIS_PARAMS['redis_cls'] = 'myproject.RedisClient' # 指定連接Redis的Python模塊
REDIS_ENCODING = "utf-8"                            # redis編碼類型  
# 默認(rèn)配置：D:\python3.6\Lib\site-packages\scrapy_redis\defaults.py

#2.2 讓scrapy使用共享的去重隊(duì)列
DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"
#使用scrapy-redis提供的去重功能，查看源碼會發(fā)現(xiàn)是基于Redis的集合實(shí)現(xiàn)的

#2.3、需要指定Redis中集合的key名，key=存放不重復(fù)Request字符串的集合
DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'
#源碼：dupefilter.py內(nèi)一行代碼key = defaults.DUPEFILTER_KEY % {'timestamp': int(time.time())}

#2.4、去重規(guī)則源碼分析dupefilter.py
def request_seen(self, request):
    """Returns True if request was already seen.

```
Parameters
----------
request : scrapy.http.Request

Returns
-------
bool

"""
fp = self.request_fingerprint(request) 
# This returns the number of values added, zero if already exists.
added = self.server.sadd(self.key, fp)
return added == 0
```

#2.5、將request請求轉(zhuǎn)成一串字符后再存入集合

from scrapy.http import Request
from scrapy.utils.request import request_fingerprint

req = Request(url='http://www.baidu.com')
result=request_fingerprint(req)
print(result) #75d6587d87b3f4f3aa574b33dbd69ceeb9eafe7b

#2.6、注意：
    - URL參數(shù)位置不同時(shí)，計(jì)算結(jié)果一致；
    - 默認(rèn)請求頭不在計(jì)算范圍，include_headers可以設(shè)置指定請求頭
    - 示范：
    from scrapy.utils import request
    from scrapy.http import Request
     

```
req = Request(url='http://www.baidu.com?name=8&id=1',callback=lambda x:print(x),cookies={'k1':'vvvvv'})
result1 = request.request_fingerprint(req,include_headers=['cookies',])
 
print(result)
 
req = Request(url='http://www.baidu.com?id=1&name=8',callback=lambda x:print(x),cookies={'k1':666})
 
result2 = request.request_fingerprint(req,include_headers=['cookies',])
 
print(result1 == result2) #True

#1、源碼：D:\python3.6\Lib\site-packages\scrapy_redis\scheduler.py



#2、settings.py配置

# Enables scheduling storing requests queue in redis.
SCHEDULER = "scrapy_redis.scheduler.Scheduler"       

# 調(diào)度器將不重復(fù)的任務(wù)用pickle序列化后放入共享任務(wù)隊(duì)列，默認(rèn)使用優(yōu)先級隊(duì)列（默認(rèn)），其他：PriorityQueue（有序集合），F(xiàn)ifoQueue（列表）、LifoQueue（列表）               
SCHEDULER_QUEUE_CLASS = 'scrapy_redis.queue.PriorityQueue'          

# 對保存到redis中的request對象進(jìn)行序列化，默認(rèn)使用pickle
SCHEDULER_SERIALIZER = "scrapy_redis.picklecompat"   

# 調(diào)度器中請求任務(wù)序列化后存放在redis中的key               
SCHEDULER_QUEUE_KEY = '%(spider)s:requests'    

# 是否在關(guān)閉時(shí)候保留原來的調(diào)度器和去重記錄，True=保留，F(xiàn)alse=清空                     
SCHEDULER_PERSIST = True       

# 是否在開始之前清空 調(diào)度器和去重記錄，True=清空，F(xiàn)alse=不清空                                     
SCHEDULER_FLUSH_ON_START = False    

# 去調(diào)度器中獲取數(shù)據(jù)時(shí)，如果為空，最多等待時(shí)間（最后沒數(shù)據(jù)，未獲取到）。如果沒有則立刻返回會造成空循環(huán)次數(shù)過多，cpu占用率飆升                                
SCHEDULER_IDLE_BEFORE_CLOSE = 10           

# 去重規(guī)則，在redis中保存時(shí)對應(yīng)的key                         
SCHEDULER_DUPEFILTER_KEY = '%(spider)s:dupefilter'      

# 去重規(guī)則對應(yīng)處理的類，將任務(wù)request_fingerprint(request)得到的字符串放入去重隊(duì)列            
SCHEDULER_DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'

#從目標(biāo)站點(diǎn)獲取并解析出數(shù)據(jù)后保存成item對象，會由引擎交給pipeline進(jìn)行持久化/保存到數(shù)據(jù)庫,scrapy-redis提供了一個(gè)pipeline組件，可以幫我們把item存到redis中

#1、將item持久化到redis時(shí)，指定key和序列化函數(shù) 
REDIS_ITEMS_KEY = '%(spider)s:items'
REDIS_ITEMS_SERIALIZER = 'json.dumps'

#2、使用列表保存item數(shù)據(jù)

scrapy程序爬取目標(biāo)站點(diǎn)，一旦爬取完畢后就結(jié)束了，如果目標(biāo)站點(diǎn)更新內(nèi)容了，我們想重新爬取，那么只能再重新啟動scrapy，非常麻煩
scrapy-redis提供了一種供，讓scrapy從redis中獲取起始url，如果沒有scrapy則過一段時(shí)間再來取而不會關(guān)閉
這樣我們就只需要寫一個(gè)簡單的腳本程序，定期往redis隊(duì)列里放入一個(gè)起始url。

#具體配置如下

#1、編寫爬蟲時(shí)，起始URL從redis的Key中獲取
REDIS_START_URLS_KEY = '%(name)s:start_urls'
    
#2、獲取起始URL時(shí)，去集合中獲取還是去列表中獲取？True，集合；False，列表
REDIS_START_URLS_AS_SET = False    # 獲取起始URL時(shí)，如果為True，則使用self.server.spop；如果為False，則使用self.server.lpop