一，scrapy和scrapy-redis的区别？
scrapy是一个爬虫通用框架，但不支持分布式，scrapy-redis是为了更方便的实现scrapy分布式爬虫，而提供了一些以redis为基础的组件
二，为什么scrapy框架不支持分布式？
因为scrcapy中的调度对列不支持共享，而scrapy-redis中，可以共享该对列
三，scrapy-redis工作原理？
1，爬虫程序把请求链接，发送给爬虫引擎,
2，爬虫引擎把请求链接传递到调度对列
3，调度sheduler会把链接存放到redis数据库中
4，redis数据库因为具有集合的性质，对去重有更好的体现，传进来的链接会生成一个指纹， redis会把 传进来的链接进行对比，相同的链接直接去重，把没有的链接加入到对列中，然后把链接再传递到调度对列中。
5，调度中的对列把链接发送到下载模块
6，下载模块，下载好数据后，把数据及下载的链接发送到爬虫程序
7，爬虫程序把数据及链接发送到redis数据库（如果此时自定义管道，则会把数据存放到自定义的数据库中）
8.，可以从redis数据库中把数据下载到本地
四，redis怎么去重的？
如果多台机器不仅往请求队列存，还同时从里面取，那么如何保证每台机子请求和存储的队列是不重复的呢？
借助redis集合
redis提供集合数据结构，我们知道集合里面的元素是不重复的
首先，在redis中存储每个request的指纹。
在向request队列中加入request前首先验证这个request的指纹是否已经加入到集合中。
如果已存在，则不添加requets到队列，
如果不存在，则将request添加入队列并将指纹加入集合。
五，分布式爬虫架构实际上就是：
由一台主机维护所有的爬取队列，每台从机的sheduler共享该队列，协同存储与提取。
分布式爬虫的多台协作的关键是共享爬取队列
六，队列用什么维护呢？
推荐redis队列
redis是非关系型数据库，用key-value形式存储，结构灵活，他不像关系型数据库必须要由一定的结构才能存储。
key-value可以是多种数据，非常灵活。
另外，redis是内存中的数据结构存储系统，处理速度快，性能好。
提供了队列，集合多种存储结构，方便队列维护和去重操作。
七，怎样防止中断？
在爬取的过程中，难免会有某台机子卡掉了，这时怎么办？
在每台从机scrapy启动时都会首先判断当前redis request队列是否为空。
如果不为空，则从队列中取得下一个request执行爬取。
如果为空，则重新开始开始爬取，第一台从机执行爬取想队列中添加request。
怎样实现该架构？
要做到：
维护request队列
对台从机调度reuqest
设置去重
链接redis
已经有了比较成熟的库scrapy-redis
scrapy-redis库实现了如上架构，改写了scrapy的调度器，队列等组件
利用它可以方便地实现scrapy分布式架构
https://github.com/rolando/scrapy-redis
八，步骤及代码
1，安装redis
启动redis服务：redis-server
启用shell客户端：redis-cli 可以输入指令 （在这里面启动指令）
2，修改配置文件redis.conf
把bind:127.0.0.1注释掉，可以让其他IP也可以访问，其他爬虫端才能连接到服务端的数据库
3，连接到服务端测试
linux下 sudo redis-cli -h 服务端的IP -h指定
如果-h没有指定，就会默认在本地
slave端无需启动radis-server，mster端启动即可，只要slave能读取到mster中的数据库就行了
代表可以实施分布式
4，自动构建一个scrapy框架 scrapy startproject 项目名（做修改）
5，关于settings中代码的修改
DOWNLOAD_DELAY =0.5 #下载延迟，就是从别人服务器上获取数据时，延迟时间
SCHEDULER ="scrapy_redis.scheduler.Scheduler" #任务调度，使用scrapy-redis里面的调度器组件，不使用scrapy默认的调度器
DUPEFILTER_CLASS ="scrapy_redis.dupefilter.RFPDupeFilter" #去重,用的是scrapy_redis里的去重组件，不适用scrapy默认的去重
SCHEDULER_PERSIST =True #是否开启，允许暂停，redis请求记录不丢失
SCHEDULER_QUEUE_CLASS ='scrapy_redis.queue.SpiderQueue' #调度策略：队列,默认是scrapy_redis请求，（按优先级顺序）队列形成 （有三种形式，只是一个先后顺序，影响不大）
#指定redis数据库的主机
REDIS_HOST ='127.0.0.1' #修改为Redis的实际IP地址
REDIS_PORT =6379 #修改为Redis的实际端口
6，爬虫程序的开发
导入需要的模块
# -*- coding: utf-8 -*-
import scrapy
from scrapy_redis.spidersimport RedisCrawlSpider
from scrapy.spidersimport CrawlSpider, Rule
from scrapy.linkextractorsimport LinkExtractor
from ..itemsimport ScrapyRedisExampleItem
继承类也是需要改变的：
class CountrySpider(RedisCrawlSpider):
name ='country'
redis_key ='start_urls' #指令，用来启动爬虫端程序的
7，开多个运行窗口进行采集，模拟分布式，在服务端输入指令
搭建分布式最合适：对硬件的要求，在不同网段里面，各自处理各自的请求，这样才能体会到分布式的精髓
