python爬虫scrapy框架之增量式爬虫的示例代码

 更新时间:2021年02月26日 14:58:11   作者:Aacheng123  
这篇文章主要介绍了python爬虫scrapy框架之增量式爬虫的示例代码,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下

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 -*-
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()
      
			# 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)
      if ex == 1:
        yield item
      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()
    # 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('爬取到一条数据,正在入库......')
    return item

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脚本之家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脚本之家!

相关文章

  • 利用OpenCV实现YOLO对象检测方法详解

    利用OpenCV实现YOLO对象检测方法详解

    这篇文章主要介绍了如何使用YOLOV3对象检测器、OpenCV和Python实现对图像和视频流的检测。文中的示例代码讲解详细,感兴趣的可以了解一下
    2022-01-01
  • Python中的作用域==和is的区别及说明

    Python中的作用域==和is的区别及说明

    这篇文章主要介绍了Python中的作用域==和is的区别及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2024-01-01
  • 如何用Python获取计算机名,ip地址,mac地址

    如何用Python获取计算机名,ip地址,mac地址

    这篇文章主要介绍了如何用Python获取计算机名,ip地址,mac地址,帮助大家更好的理解和学习使用python,感兴趣的朋友可以了解下
    2021-03-03
  • Python机器学习实战之k-近邻算法的实现

    Python机器学习实战之k-近邻算法的实现

    k-近邻算法采用测量不同特征值之间的距离方法进行分类。这篇文章主要为大家介绍了如何通过python实现K近邻算法,有需要的朋友可以借鉴参考下,希望能够有所帮助
    2021-11-11
  • Python光学仿真数值分析求解波动方程绘制波包变化图

    Python光学仿真数值分析求解波动方程绘制波包变化图

    这篇文章主要为大家介绍了Python光学仿真通过数值分析求解波动方程并绘制波包变化图的示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助
    2021-10-10
  • Python玩转PDF的各种骚操作

    Python玩转PDF的各种骚操作

    Portable Document Format(可移植文档格式),或者PDF是一种文件格式,可以用于跨操作系统的呈现和文档交换。这篇文章主要介绍了Python玩转PDF的各种骚操作,需要的朋友可以参考下
    2019-05-05
  • python如何编写win程序

    python如何编写win程序

    在本篇文章里小编给大家分享的是关于python编写win程序的实例内容,有需要的朋友们可以学习下。
    2020-06-06
  • python3.6数独问题的解决

    python3.6数独问题的解决

    这篇文章主要为大家详细介绍了python3.6数独问题的解决,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2019-01-01
  • pandas读取excel统计空值数量错误的解决方法

    pandas读取excel统计空值数量错误的解决方法

    pd.read_excel()读取excel数据后,用pd.isnull().sum()统计空值数量不对,本文主要介绍了pandas读取excel统计空值数量错误的解决方法,感兴趣的可以了解一下
    2024-04-04
  • Python smtplib实现发送邮件功能

    Python smtplib实现发送邮件功能

    这篇文章主要为大家详细介绍了Python smtplib实现发送邮件功能,包含文本、附件、图片等,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-05-05

最新评论