python爬蟲scrapy框架之增量式爬蟲的示例代碼

更新時間：2021年02月26日 14:58:11 作者：Aacheng123

這篇文章主要介紹了python爬蟲scrapy框架之增量式爬蟲的示例代碼,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下

scrapy框架之增量式爬蟲

一、增量式爬蟲

什么時候使用增量式爬蟲：
增量式爬蟲：需求當我們?yōu)g覽一些網(wǎng)站會發(fā)現(xiàn)，某些網(wǎng)站定時的會在原有的基礎上更新一些新的數(shù)據(jù)。如一些電影網(wǎng)站會實時更新最近熱門的電影。那么，當我們在爬蟲的過程中遇到這些情況時，我們是不是應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)

如何進行增量式爬取工作：
在發(fā)送請求之前判斷這個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
在寫入存儲介質(zhì)時判斷內(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進行存儲，存入到redis中的set中，當下次再爬取的時候，對在存儲的URL中的set中進行判斷，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)容進行唯一的標識，然后將該唯一標識存儲到redis的set中，當下次再爬取數(shù)據(jù)的時候，在進行持久化存儲之前，要判斷該數(shù)據(jù)的唯一標識在不在redis中的set中，如果在，則不在進行存儲，否則就存儲該內(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()
      
			# 將當前爬取的數(shù)據(jù)做哈希唯一標識(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: