pyspider + RabbitMQ 使用记 - 下

首先咱们须要安装 RabbitMQ，而后经过服务启动它，默认为注册到本机的5672端口。咱们的爬虫和数据库写入脚本都须要链接到 RabbitMQ，一边往队列中写入数据，另外一边从队列中取出数据，而后插入到数据。

Python 中使用 RabbitMQ 能够经过调用 pika 这个库，安装过程见官方文档，对于 RabbitMQ 自己也有中文教程。

本项目用到的模型是一对一的，用 pika 写很容易，代码以下：

import pika
# 导入库
connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
# 设置一个新链接，链接到本地的 RabbitMQ 服务端。
channel = connection.channel()
# 注册到 books 队列
channel.queue_declare(queue='books')
channel.basic_publish(exchange='', routing_key='books', body='Whats up')
# 发送消息 body
connection.close()
#

在 basic_publish 这个函数中，咱们设置 exchange 为空，而 routing-key 为 books，此时 basic_publish 会默认把咱们的 body 信息根据 routing-key 的内容发送到 books 的队列中。

这里 exchange 实际上是一个信息中转站，以下图，P 为咱们要发送的信息，X 就是信息中转站，咱们经过 exchange 字段来设置咱们的目标中转站，而后由 exchange 来决定咱们的信息要往哪里走。

而 routing-key 的设置也颇有讲究，能够参考教程中 Routing 一节。

到此，咱们已经写好生产者了，接下来咱们看消费者。

import pika
connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
channel = connection.channel()
channel.queue_declare(queue='books')


def callback(ch, method, properties, body):
    print body

channel.basic_consume(callback, queue='books', no_ack=True)
# 注册回调函数，当有消息取出时，程序调用 callback 函数，其中 body 就是取出的消息。
channel.start_consuming()

这里咱们在回调函数中能够直接打印 body 到控制台。

最后贴一下代码，爬虫端：

#!/usr/bin/env python
# -*- encoding: utf-8 -*-

from pyspider.libs.base_handler import *
import pika

connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
channel = connection.channel()
channel.queue_declare(queue='books')


class Handler(BaseHandler):
    crawl_config = {}

    def on_start(self):
        self.crawl('http://scrapy.org/', callback=self.index_page)
    
    def on_result(self, result):
        # 重写 on_result 函数
        if not result:
            return
        assert self.task, "on_result can't outside a callback."
        result['callback'] = self.task['process']['callback']
        if self.is_debugger():
            pprint(result)
            channel.basic_publish(exchange='', routing_key='books', body=result)
        if self.__env__.get('result_queue'):
            channel.basic_publish(exchange='', routing_key='books', body=result)
            self.__env__['result_queue'].put((self.task, result))
        
    @config(priority=5)
    def index_page(self, response):
        url_list = []
        for each in response.doc('a[href^="http"]').items():
            url_list.append(each.attr.href)
        return url_list

消费者端：

import os
os.environ.setdefault('DJANGO_SETTINGS_MODULE', 'spider.settings')
import django
django.setup()
from django.core.exceptions import ObjectDoesNotExist
from importer.models import Books

import pika
connection = pika.BlockingConnection(pika.ConnectionParameters(host='localhost'))
channel = connection.channel()
channel.queue_declare(queue='books')


def callback(ch, method, properties, body):
    new_book = Books()
    new_book.url = body
    new_book.save()
    print body + ' saved!'

channel.basic_consume(callback, queue='books', no_ack=True)
channel.start_consuming()

本例中调用了 django 的 BOOKS 的数据库模型，在队列中取出消息后，存入 BOOKS 表中，字段为url。