Scrapy 爬取数据直接存到 Hadoop 中有什么方法吗? - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
dropwater
V2EX    Python

Scrapy 爬取数据直接存到 Hadoop 中有什么方法吗?

  •  
  •   dropwater 2017-07-03 15:55:20 +08:00 5046 次点击
    这是一个创建于 3031 天前的主题,其中的信息可能已经有所发展或是发生改变。

    之前都是存到本机 MySql 数据库,这一次需要存到远程的 Hadoop 服务器中,实现边爬边存,不落到本机,请问有什么方法吗?有什么插件可以实现 Scrapy 和 hdfs 的连接呢,还是说需要自己写一个?求大神解答

    15 条回复    2017-07-03 22:43:18 +08:00
    defunct9
        1
    defunct9  
       2017-07-03 15:59:32 +08:00
    自己写个
    songjiaxin2008
        2
    songjiaxin2008  
       2017-07-03 16:00:43 +08:00
    这就是个 pipeline 吧 就跟换成 mongoDB 一个意思
    1iuh
        3
    1iuh  
       2017-07-03 16:04:54 +08:00
    thrift
    或者用 java 写个接口接收数据。
    我之前也遇到过类似的问题, 至少我没有找到 python 直接连接 hdfs 的库。
    dropwater
        4
    dropwater  
    OP
       2017-07-03 16:19:05 +08:00
    @defunct9 初学者,有点吃力。还是想找造好的轮子
    @songjiaxin2008 这个能再详细指点一下吗?好像是没有现成的...
    @1iuh 谢谢指点,我去试一试。python 直接连 hdfs 查到了一个 pyhdfs,不过也还没找到 scrapy 直接连的办法。
    songjiaxin2008
        5
    songjiaxin2008  
       2017-07-03 16:27:22 +08:00
    https://doc.scrapy.org/en/latest/topics/item-pipeline.html 可以看'Write items to MongoDB' 或者 json 那一节,这边你要先和 hadoop 建立连接,然后自己实现‘ process_item ’这个方法。因为`scrapy`是解耦的,并不关心你的存储后端。
    1iuh
        6
    1iuh  
       2017-07-03 16:28:25 +08:00
    @dropwater #4 看了下这个 pyhdfs,只有 10 个 star 呀,你确定没坑?

    不过话说回来,只要这个 pyhdfs 可以工作,你就可以用呀。scrapy 接收到数据,然后调用这个库直接写入数据就行了。异步这块要处理一下,不然影响效率。

    你要是想找 scrapy-hdfs 这种库肯定是找不到的。我还是建议你用 java 直接写个接口。
    F281M6Dh8DXpD1g2
        7
    F281M6Dh8DXpD1g2  
       2017-07-03 16:30:26 +08:00 via iPhone
    不要直接写 hdfs,效率低到哭
    搞个管道,爬完写到管道里,那边消费到 hdfs
    defunct9
        8
    defunct9  
       2017-07-03 16:37:31 +08:00
    哎,地球这么大,给个可行方案吧。
    建立个 kafka 队列,然后 python 写 kafka 的轮子必然是有了。
    kafka 写 hdfs 那是顺理成章,这样就搞定了。
    ym1ng
        9
    ym1ng  
       2017-07-03 16:39:52 +08:00
    Mq 加 logstash 直接搞定,scrapy 的 pipeline 里面把数据打到 mq 里,logstash 的 input 是 mq,output 是 hdfs
    est
        10
    est  
       2017-07-03 16:41:01 +08:00
    @defunct9 这个是正解。 写 kafka
    stcasshern
        11
    stcasshern  
       2017-07-03 16:46:35 +08:00
    存在 hdfs,我理解的 hdfs 不是一个文件系统吗?? 数据难道不是存在各种数据库?要直接写的话,就是改 pipeline 吧。
    defunct9
        12
    defunct9  
       2017-07-03 16:56:00 +08:00
    hdfs+hbase,这个路数。或者直接 kafka+spark,计算去了。
    zhaob
        13
    zhaob  
       2017-07-03 18:23:34 +08:00
    Scrapy 爬取的数据存成日志
    再加一个 Flume 把日志同步存储到 HDFS
    timothyye
        14
    timothyye  
       2017-07-03 19:17:38 +08:00 via Android
    需要一个消息队列
    knktc
        15
    knktc  
       2017-07-03 22:43:18 +08:00
    直接写 flume 呗,flume 用个 http 的 source 和 hdfs 的 sink,不会增加什么开发量
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     2931 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 25ms UTC 13:35 PVG 21:35 LAX 06:35 JFK 09:35
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86