python爬虫scrapy框架之增量式爬虫的示例代码
scrapy框架之增量式爬虫
一、增量式爬虫
什么时候使用增量式爬虫：
增量式爬虫：需求当我们浏览一些网站会发现，某些网站定时的会在原有的基础上更新一些新的数据。如一些电影网站会实时更新最近热门的电影。那么，当我们在爬虫的过程中遇到这些情况时，我们是不是应该定期的更新程序以爬取到更新的新数据？那么，增量式爬虫就可以帮助我们来实现
二、增量式爬虫
概念：
通过爬虫程序检测某网站数据更新的情况，这样就能爬取到该网站更新出来的数据
如何进行增量式爬取工作：
在发送请求之前判断这个URL之前是不是爬取过
在解析内容之后判断该内容之前是否爬取过
在写入存储介质时判断内容是不是在该介质中
增量式的核心是去重
去重的方法：
将爬取过程中产生的URL进行存储，存入到redis中的set中，当下次再爬取的时候，对在存储的URL中的set中进行判断，如果URL存在则不发起请求，否则就发起请求
对爬取到的网站内容进行唯一的标识，然后将该唯一标识存储到redis的set中，当下次再爬取数据的时候，在进行持久化存储之前，要判断该数据的唯一标识在不在redis中的set中，如果在，则不在进行存储，否则就存储该内容
三、示例
爬虫文件
#-*-coding:utf-8-*-
importscrapy
fromscrapy.linkextractorsimportLinkExtractor
fromscrapy.spidersimportCrawlSpider,Rule
fromredisimportRedis
fromincrement2_Pro.itemsimportIncrement2ProItem
importhashlib
classQiubaiSpider(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),
)
defparse_item(self,response):
div_list=response.xpath('//div[@class="articleblockuntaggedmb15typs_hot"]')
conn=Redis(host='127.0.0.1',port=6379)
fordivindiv_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()
#将当前爬取的数据做哈希唯一标识(数据指纹)
sourse=item['content']+item['author']
hashvalue=hashlib.sha256(sourse.encode()).hexdigest()
ex=conn.sadd('qiubai_hash',hashvalue)
ifex==1:
yielditem
else:
print('没有可更新的数据可爬取')
#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()
#returnitem
管道文件（管道文件也可以不用加）
fromredisimportRedis
classIncrement2ProPipeline(object):
conn=None
defopen_spider(self,spider):
self.conn=Redis(host='127.0.0.1',port=6379)
defprocess_item(self,item,spider):
dic={
'author':item['author'],
'content':item['content']
}
self.conn.lpush('qiubaiData',dic)
print('爬取到一条数据,正在入库......')
returnitem
到此这篇关于python爬虫之scrapy框架之增量式爬虫的示例代码的文章就介绍到这了,更多相关scrapy增量式爬虫内容请搜索毛票票以前的文章或继续浏览下面的相关文章希望大家以后多多支持毛票票！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。