Scrapy 是一个用 Python 编写的高性能、可扩展的开源网络爬虫框架
Scrapy 是一个用 Python 编写的高性能、可扩展的开源网络爬虫框架，原生设计为单机架构，不直接支持分布式爬虫。但通过结合外部组件（如 Redis、RabbitMQ、Kafka 等），可构建分布式爬虫系统，常见方案包括：
✅Scrapy-Redis（最经典）
- 基于 Redis 实现请求队列（
SpiderQueue/PriorityQueue）、去重集合（DupeFilter）和指纹存储； - 多个 Scrapy 爬虫实例共享同一 Redis 数据库，实现任务分发与状态同步；
- 需重写
Scheduler、DupeFilter和ItemPipeline，继承scrapy_redis.spiders.RedisSpider。
✅Scrapy + Redis + 自定义调度器
- 利用 Redis 的
LPUSH/BRPOP实现任务队列； - 使用
scrapy-redis提供的中间件或自行开发RedisScheduler； - 支持动态添加起始 URL（通过
lpush myspider:start_urls http://xxx）。
⚠️ 注意事项：
- Scrapy 本身无内置分布式协调机制（如节点发现、故障转移、负载均衡），需依赖外部服务；
- 去重需统一使用 Redis 的
set或bloom filter（如scrapy-redis-bloom）避免重复抓取； - Item 存储建议统一写入数据库（MySQL/PostgreSQL）或消息队列（Kafka），避免多实例写冲突；
- 日志、监控、限速策略需集中管理（如 Prometheus + Grafana + ELK）。
📌 示例（Scrapy-Redis 快速启动）：
pipinstallscrapy-redis在settings.py中配置：
SCHEDULER="scrapy_redis.scheduler.Scheduler"DUPEFILTER_CLASS="scrapy_redis.dupefilter.RFPDupeFilter"REDIS_URL='redis://localhost:6379'继承RedisSpider：
importscrapyfromscrapy_redis.spidersimportRedisSpiderclassMySpider(RedisSpider):name='myspider'redis_key='myspider:start_urls'defparse(self,response):yield{'url':response.url,'title':response.css('title::text').get()}启动多个实例后，向 Redis 推送 URL 即可触发分布式抓取。
Scrapy-Redis 的去重机制核心是将 Scrapy 原生的本地RFPDupeFilter（基于scrapy.utils.request.request_fingerprint）迁移到 Redis 中持久化存储，从而实现多爬虫实例共享同一去重集合。其本质不是重新设计指纹算法，而是复用 Scrapy 的指纹逻辑 + 分布式存储层。
✅指纹生成逻辑（与本地完全一致）
Scrapy-Redis 使用scrapy.utils.request.request_fingerprint()生成请求指纹（fingerprint），该函数默认行为为：
- 对请求的
method、url、body、headers（仅含标准化后的关键头，如User-Agent、Cookie等，取决于DUPEFILTER_DEBUG和HTTPCACHE_IGNORE_HEADERS配置）、cookies等字段进行规范化（如 URL 去参数顺序、body 排序、headers 小写归一化）； - 序列化后经 SHA1 哈希，生成长度为 40 的十六进制字符串（如
'a1b2c3...'）； - ✅该指纹算法与 Scrapy 默认
RFPDupeFilter完全相同，保证语义一致性——同一请求在单机或分布式环境下生成的指纹绝对一致。
✅去重存储与判断流程（分布式关键差异）
| 环节 | 本地RFPDupeFilter | Scrapy-RedisRFPDupeFilter |
|---|---|---|
| 存储介质 | Pythonset()（内存，进程级） | RedisSET或Bloom Filter（如scrapy-redis-bloom） |
| 去重范围 | 单个爬虫进程内 | 所有连接同一 Redis 的爬虫实例全局共享 |
| 判断方式 | fingerprint in self.fingerprints | SISMEMBER dupefilter:myspider <fingerprint>（原子操作） |
| 持久化 | 进程退出即丢失 | Redis 持久化（RDB/AOF）可长期保留去重记录 |
| 扩展性 | 无法跨实例共享 | 支持无限水平扩展爬虫节点 |
🔧可选增强：Bloom Filter 替代 SET
为节省内存（尤其海量 URL 场景），可启用scrapy-redis-bloom：
- 使用 Redis 的
bf.add/bf.exists（需 RedisBloom 模块）； - 以极小概率误判（false positive，≈0.1% 可配置），但不产生 false negative（不会漏判重复）；
- 内存占用仅为 SET 的 1/8～1/10，适合亿级 URL 去重。
⚠️ 注意事项：
- 若自定义
Request并覆盖__hash__或__eq__，需确保request_fingerprint()仍能正确反映语义唯一性； DUPEFILTER_CLASS = "scrapy_redis.dupefilter.RFPDupeFilter"是默认配置，无需修改即可生效；- Redis 连接异常时，
RFPDupeFilter默认会抛出异常（可捕获并降级为本地去重，但需自行实现容错逻辑）。