scrapy框架之增量式爬蟲(chóng)

一 、增量式爬蟲(chóng)

什么時(shí)候使用增量式爬蟲(chóng)：

增量式爬蟲(chóng)：需求 當(dāng)我們?yōu)g覽一些網(wǎng)站會(huì)發(fā)現(xiàn)，某些網(wǎng)站定時(shí)的會(huì)在原有的基礎(chǔ)上更新一些新的數(shù)據(jù)。如一些電影網(wǎng)站會(huì)實(shí)時(shí)更新最近熱門的電影。那么，當(dāng)我們?cè)谂老x(chóng)的過(guò)程中遇到這些情況時(shí)，我們是不是應(yīng)該定期的更新程序以爬取到更新的新數(shù)據(jù)？那么，增量式爬蟲(chóng)就可以幫助我們來(lái)實(shí)現(xiàn)

二 、增量式爬蟲(chóng)

概念：

通過(guò)爬蟲(chóng)程序檢測(cè)某網(wǎng)站數(shù)據(jù)更新的情況，這樣就能爬取到該網(wǎng)站更新出來(lái)的數(shù)據(jù)

如何進(jìn)行增量式爬取工作：

在發(fā)送請(qǐng)求之前判斷這個(gè)URL之前是不是爬取過(guò)

在解析內(nèi)容之后判斷該內(nèi)容之前是否爬取過(guò)

在寫入存儲(chǔ)介質(zhì)時(shí)判斷內(nèi)容是不是在該介質(zhì)中

增量式的核心是 去重

去重的方法：

將爬取過(guò)程中產(chǎn)生的URL進(jìn)行存儲(chǔ)，存入到redis中的set中，當(dāng)下次再爬取的時(shí)候，對(duì)在存儲(chǔ)的URL中的set中進(jìn)行判斷，如果URL存在則不發(fā)起請(qǐng)求，否則 就發(fā)起請(qǐng)求

對(duì)爬取到的網(wǎng)站內(nèi)容進(jìn)行唯一的標(biāo)識(shí)，然后將該唯一標(biāo)識(shí)存儲(chǔ)到redis的set中，當(dāng)下次再爬取數(shù)據(jù)的時(shí)候，在進(jìn)行持久化存儲(chǔ)之前，要判斷該數(shù)據(jù)的唯一標(biāo)識(shí)在不在redis中的set中，如果在，則不在進(jìn)行存儲(chǔ)，否則就存儲(chǔ)該內(nèi)容

三、示例

爬蟲(chóng)文件

# -*- coding: utf-8 -*-

import scrapy

from scrapy.linkextractors import LinkExtractor

from scrapy.spiders import CrawlSpider, Rule

from redis import Redis

from increment2_Pro.items import Increment2ProItem

import hashlib

class QiubaiSpider(CrawlSpider):

name = 'qiubai'

# allowed_domains = ['www.xxx.com']

start_urls = ['https://www.qiushibaike.com/text/']

rules = (

Rule(LinkExtractor(allow=r'/text/page/\d+/'), callback='parse_item', follow=True),

)

def parse_item(self, response):

div_list = response.xpath('//div[@class="article block untagged mb15 typs_hot"]')

conn = Redis(host='127.0.0.1',port=6379)

for div in div_list:

item = Increment2ProItem()

item['content'] = div.xpath('.//div[@class="content"]/span//text()').extract()

item['content'] = ''.join(item['content'])

item['author'] = div.xpath('./div/a[2]/h2/text() | ./div[1]/span[2]/h2/text()').extract_first()

# 將當(dāng)前爬取的數(shù)據(jù)做哈希唯一標(biāo)識(shí)(數(shù)據(jù)指紋)

sourse = item['content']+item['author']

hashvalue = hashlib.sha256(sourse.encode()).hexdigest()

ex = conn.sadd('qiubai_hash',hashvalue)

if ex == 1:

yield item

else:

print('沒(méi)有可更新的數(shù)據(jù)可爬取')

# item = {}

#item['domain_id'] = response.xpath('//input[@id="sid"]/@value').get()

#item['name'] = response.xpath('//div[@id="name"]').get()

#item['description'] = response.xpath('//div[@id="description"]').get()

# return item

管道文件(管道文件也可以不用加)

from redis import Redis

class Increment2ProPipeline(object):

conn = None

def open_spider(self,spider):

self.conn = Redis(host='127.0.0.1',port=6379)

def process_item(self, item, spider):

dic = {

'author':item['author'],

'content':item['content']

}

self.conn.lpush('qiubaiData',dic)

print('爬取到一條數(shù)據(jù),正在入庫(kù)......')

return item

到此這篇關(guān)于python爬蟲(chóng)之scrapy框架之增量式爬蟲(chóng)的示例代碼的文章就介紹到這了,更多相關(guān)scrapy增量式爬蟲(chóng)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

總結(jié)

以上是生活随笔為你收集整理的dataObject可以去重吗java_python爬虫scrapy框架之增量式爬虫的示例代码的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。