1. 前言。
1.1. 需求背景。
- 每天抓取的是同一份商品的數(shù)據(jù),用來做趨勢分析。
- 要求每天都需要抓一份,也僅限抓取一份數(shù)據(jù)。
- 但是整個爬取數(shù)據(jù)的過程在時間上并不確定,受本地網(wǎng)絡(luò),代理速度,抓取數(shù)據(jù)量有關(guān),一般情況下在20小時左右,極少情況下會超過24小時。
1.2. 實現(xiàn)功能。
通過以下三步,保證爬蟲能自動隔天抓取數(shù)據(jù):
每天凌晨00:01啟動監(jiān)控腳本,監(jiān)控爬蟲的運行狀態(tài),一旦爬蟲進入空閑狀態(tài),啟動爬蟲。
一旦爬蟲執(zhí)行完畢,自動退出腳本,結(jié)束今天的任務(wù)。
一旦腳本距離啟動時間超過24小時,自動退出腳本,等待第二天的監(jiān)控腳本啟動,重復(fù)這三步。
2. 環(huán)境。
python 3.6.1
系統(tǒng):win7
IDE:pycharm
安裝過scrapy
3. 設(shè)計思路。
3.1. 前提:
目前爬蟲是通過scrapy模塊自帶的cmdline.execute來啟動的。
from scrapy import cmdline
cmdline.execute('scrapy crawl mySpider'.split())
3.2. 將自動執(zhí)行腳本做到scrapy爬蟲的外部
(1)每天凌晨00:01啟動腳本(控制腳本的存活時間為24小時),監(jiān)測爬蟲的運行狀態(tài)(需要用一個標記信息來表示爬蟲的狀態(tài):運行還是停止)。
- 如果爬蟲處于運行狀態(tài)(前一天爬取數(shù)據(jù)尚未結(jié)束),進入第(2)步;
- 如果爬蟲處于非運行狀態(tài)(前一天的爬取任務(wù)已完成,今天的尚未開始),進入第(3)步;
(2)腳本進入等待階段,每隔10分鐘,檢查一下爬蟲的運行狀態(tài),如(1)。但是一旦發(fā)現(xiàn),腳本的等待時間超過了24小時,則自動退出腳本,因為第二天的監(jiān)測腳本已經(jīng)開始運行了,接替了它的任務(wù)。
(3)做一些爬蟲啟動前的準備工作(刪除用來續(xù)爬的文件,防止爬蟲不運行了),啟動爬蟲爬取數(shù)據(jù),待爬蟲正常結(jié)束后,退出腳本,完成當天的爬取任務(wù)。
4. 準備工作。
4.1. 標記爬蟲的運行狀態(tài)。
通過判斷文件是否存在的方式來判斷爬蟲是否處于運行狀態(tài):
- 在爬蟲啟動時,創(chuàng)建一個isRunning.txt文件。
- 在爬蟲結(jié)束時,刪除這個isRunning.txt文件。
那么isRunning.txt存在,就說明爬蟲正在運行;文件不存在,就說明爬蟲不在運行。
# 文件pipelines.py
# 爬蟲啟動時
checkFile = "isRunning.txt"
class myPipeline:
def open_spider(self, spider):
self.client = MongoClient('localhost:27017') # 連接Mongodb
self.db = self.client['mydata'] # 待存儲數(shù)據(jù)的數(shù)據(jù)庫mydata
f = open(checkFile, "w") # 創(chuàng)建一個文件,代表爬蟲在運行中
f.close()
# 文件pipelines.py
# 爬蟲正常結(jié)束時
checkFile = "isRunning.txt"
class myPipeline:
def close_spider(self, spider):
self.client.close()
isFileExsit = os.path.isfile(checkFile)
if isFileExsit:
os.remove(checkFile)
4.2. 爬蟲支持續(xù)爬,能隨時暫停,方便調(diào)試。
# 在scrapy項目中添加start.py文件,用于啟動爬蟲
from scrapy import cmdline
# 在爬蟲運行過程中,會自動將狀態(tài)信息存儲在crawls/storeMyRequest目錄下,支持續(xù)爬
cmdline.execute('scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest'.split())
# Note:若想支持續(xù)爬,在ctrl+c終止爬蟲時,只能按一次,爬蟲在終止時需要進行善后工作,切勿連續(xù)多次按ctrl+c
4.3. Log按照每天的日期命名,方便查看和調(diào)試
設(shè)置Log等級:
# 文件mySpider.py
class mySpider(CrawlSpider):
name = "mySpider"
allowed_domains = ['http://photo.poco.cn/']
custom_settings = {
'LOG_LEVEL':'INFO', # 減少Log輸出量,僅保留必要的信息
# ...... 在爬蟲內(nèi)部用custom_setting可以讓這個配置信息僅對這一個爬蟲生效
}
以日期為Log文件命名
# 文件settings.py
import datetime
BOT_NAME = 'mySpider'
ROBOTSTXT_OBEY = False
startDate = datetime.datetime.now().strftime('%Y%m%d')
LOG_FILE=f"mySpiderlog{startDate}.txt"
4.4. 為數(shù)據(jù)按日期存儲到不同的表(mongodb的集合)中
# 文件pipelines.py
import datetime
GALANCE=f'galance{datetime.datetime.now().strftime("%Y%m%d")}' # 表名
class myPipeline:
def open_spider(self, spider):
self.client = MongoClient('localhost:27017') # 連接Mongodb
self.db = self.client['mydata'] # 待存儲數(shù)據(jù)的數(shù)據(jù)庫mydata
self.db[GALANCE].insert(dict(item))
4.5. 編寫批處理文件啟動爬蟲
# 文件run.bat
cd /d F:/newClawer20170831/mySpider
call python main.py
pause
5. 實現(xiàn)代碼
5.1. 編寫python腳本
# 文件timerStartDaily.py
from scrapy import cmdline
import datetime
import time
import shutil
import os
recoderDir = r"crawls" # 這是為了爬蟲能夠續(xù)爬而創(chuàng)建的目錄,存儲續(xù)爬需要的數(shù)據(jù)
checkFile = "isRunning.txt" # 爬蟲是否在運行的標志
startTime = datetime.datetime.now()
print(f"startTime = {startTime}")
i = 0
miniter = 0
while True:
isRunning = os.path.isfile(checkFile)
if not isRunning: # 爬蟲不在執(zhí)行,開始啟動爬蟲
# 在爬蟲啟動之前處理一些事情,清掉JOBDIR = crawls
isExsit = os.path.isdir(recoderDir) # 檢查JOBDIR目錄crawls是否存在
print(f"mySpider not running, ready to start. isExsit:{isExsit}")
if isExsit:
removeRes = shutil.rmtree(recoderDir) # 刪除續(xù)爬目錄crawls及目錄下所有文件
print(f"At time:{datetime.datetime.now()}, delete res:{removeRes}")
else:
print(f"At time:{datetime.datetime.now()}, Dir:{recoderDir} is not exsit.")
time.sleep(20)
clawerTime = datetime.datetime.now()
waitTime = clawerTime - startTime
print(f"At time:{clawerTime}, start clawer: mySpider !!!, waitTime:{waitTime}")
cmdline.execute('scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest'.split())
break #爬蟲結(jié)束之后,退出腳本
else:
print(f"At time:{datetime.datetime.now()}, mySpider is running, sleep to wait.")
i += 1
time.sleep(600) # 每10分鐘檢查一次
miniter += 10
if miniter >= 1440: # 等待滿24小時,自動退出監(jiān)控腳本
break
5.2. 編寫bat批處理文件
# 文件runTimerRunDaily.bat
cd /d F:/newClawer20170831/mySpider
call python timerStartDaily.py
pause
6. 部署。
6.1. 添加計劃任務(wù)。
參考以下這篇博客部署windows計劃任務(wù):
https://www.jb51.net/article/204879.htm
有關(guān)windows計劃任務(wù)相關(guān)設(shè)置的詳細說明如下:
https://technet.microsoft.com/zh-cn/library/cc722178.aspx
6.2. 注意事項。
(1)在添加計劃任務(wù)時,要按照如下圖進行勾選(只在用戶登錄時運行),才能彈出下面的cmd任務(wù)界面,方便觀察和調(diào)試。
(2)由于爬蟲運行時間很長,如果按照默認設(shè)置,在凌晨運行實例時,上一次啟動尚未結(jié)束,會導(dǎo)致這次啟動失敗,所以要更改默認設(shè)置為(如果此任務(wù)已經(jīng)運行:并行運行新實例。保護機制在于每個啟動腳本在等待24小時候會自動退出,來保證不會重復(fù)啟動)。
(3)如果想支持續(xù)傳,只能按一次 ctrl + c 來停止爬蟲運行。因為終止爬蟲時,爬蟲需要做一些善后工作,如果連續(xù)按多次ctrl + c來停止爬蟲,爬蟲將來不及善后,會導(dǎo)致無法續(xù)爬。 6.3. 效果展示。
正常執(zhí)行完成:
正在執(zhí)行中:
到此這篇關(guān)于python實現(xiàn)scrapy爬蟲每天定時抓取數(shù)據(jù)的示例代碼的文章就介紹到這了,更多相關(guān)python scrapy定時抓取內(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爬蟲框架-scrapy的使用
- python scrapy項目下spiders內(nèi)多個爬蟲同時運行的實現(xiàn)
- python爬蟲scrapy基本使用超詳細教程
- 在python3.9下如何安裝scrapy的方法
- python Scrapy爬蟲框架的使用
- Python爬蟲基礎(chǔ)之初次使用scrapy爬蟲實例