项目中Scrapy-Redis的核心代码在哪里可以找到。 about jd_spider

[ramsayleung]

https://github.com/rmax/scrapy-redis, 这个是scrapy-redis的地址，我是中间件的形式直接调用scrapy-redis，只不过之前我自己因为某些原因把RedisSpider 换回了scrapy.Spider, 所以你看到的项目现在是 用的scrapy.Spider. 需要注意的是，现在基于scrapy-redis 实现的分布式爬虫并不是严格意义的分布式，对于hbase/zookeeper 这种"纯分布式"，它只能算是"伪分布式"，因为它是存在单点的，单点就是那台master redis. 即使你用了redis 的master-slave, 单点还是存在。

[yangcongtougg]

之前有人说scrapy-redis是伪分布式，我的理解是多台worker从redis拿到spider的start_request，而之后解析出来的urls还是走每台worker自身的scheduler过滤处理；如果是这样那就把解析出来的url塞回redis不就ok了么，还是不太理解伪分布式，没玩过集群。-、-

[ramsayleung]

scrapy-redis 提供的组件包括Scheduler、Dupefilter、Pipeline、Spider, 多个worker 拿到解析之后的url, 走的是scrapy-redis 的scheduler，因为如果是每台worker 自身的scheduler进行过滤，worker怎么知道这个url 有没有其他worker 已经爬取过了呢？所以存储待爬任务的是scrapy-redis, 分配待爬url 的也是 scrapy-redis, 在pipeline 保存结果的也是scrapy-redis。区别只是从原来一个人是老板，也是员工(单机模式)，变成了一个老板(scrapy-redis) 指挥一堆员工 (worker) 干活 (crawl )- (伪分布式)。说它是伪分布式就是因为它不像纯分布式那样，每个员工(worker)都知道干了什么活，还有什么活没干，纯分布式是没有老板(单点)的. 个人见解

[yangcongtougg]

ok、多谢~