scrapy框架之增量式爬蟲
一 、增量式爬蟲
什么時(shí)候使用增量式爬蟲：
增量式爬蟲：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)我們在爬蟲的過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，增量式爬蟲就可以幫助我們來實(shí)現(xiàn)
二 、增量式爬蟲
概念：
通過爬蟲程序檢測某網(wǎng)站數(shù)據(jù)更新的情況，這樣就能爬取到該網(wǎng)站更新出來的數(shù)據(jù)
如何進(jìn)行增量式爬取工作：
在發(fā)送請求之前判斷這個(gè)URL之前是不是爬取過
在解析內(nèi)容之后判斷該內(nèi)容之前是否爬取過
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)起請求，否則 就發(fā)起請求
對爬取到的網(wǎng)站內(nèi)容進(jìn)行唯一的標(biāo)識，然后將該唯一標(biāo)識存儲(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(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......')
return item
到此這篇關(guān)于python爬蟲之scrapy框架之增量式爬蟲的示例代碼的文章就介紹到這了,更多相關(guān)scrapy增量式爬蟲內(nèi)容請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！
您可能感興趣的文章:- Python爬蟲基礎(chǔ)講解之scrapy框架
- Python爬蟲實(shí)戰(zhàn)之使用Scrapy爬取豆瓣圖片
- Python爬蟲框架-scrapy的使用
- python scrapy項(xiàng)目下spiders內(nèi)多個(gè)爬蟲同時(shí)運(yùn)行的實(shí)現(xiàn)
- Python爬蟲之教你利用Scrapy爬取圖片
- 一文讀懂python Scrapy爬蟲框架
- python爬蟲scrapy基本使用超詳細(xì)教程
- Python爬蟲之Scrapy環(huán)境搭建案例教程
