增量式爬蟲

 

 

 

增量式爬蟲¶

 

需求: 定時 更新程序 以便爬取網站中最近更新的數據¶

 

1、增量式爬蟲¶

 

• 概念: 經過爬蟲程序檢測某網站數據更新的狀況，以即可以爬取到該網站更新出的新數據
• 如何進行增量式的爬取工做:
  • 在發送請求以前判斷 此 URL 是否是以前爬過
  • 在解析內容以後判斷 這部份內容 以前是否爬過
  • 在寫入 存儲介質時 判斷 內容是否是已經在介質中存在

 

• 分析: 不難發現,其實增量式爬取的核心是 去重 ，至於說去重的操做在哪一個步驟起做用，只能說各有利弊，在我看來， 前兩種思路須要根據實際狀況取一個(也可能都用)。
  • 第一種思路適合有不斷新頁面的出現，好比說小說的新章節，天天的最新新聞等等;
  • 第二種思路則適合頁面內容會不斷更新的網站。
  • 第三種思路是至關於最後一道防線。這樣作能夠最大程度上達到去重的目的。

 

去重方法:¶

 

• 思路: 經過已有的機制達到去重的目的 一、redis的 set集合。 二、python 的 set 集合
• 咱們選擇 redis 的 set 集合， 以求最大效率。
• 將爬取過程當中產生的 URL 進行存儲，存儲在 redis 的 set 中，
  • 根據 Redis.sadd(key,value) 的返回結果判斷此 URL 是否已爬取過，
  • 1 表示存在，則發起請求; 0 表示不存在，則不進行請求。
• 對爬取到的 網頁內容進行惟一標識的制定， 而後將該惟一標識存儲在 redis 的 set 中，當下次爬取到網頁數據內容的時候,在進行持久化存儲以前， 首先判斷一下該 數據的 惟一標識在 redis 的 set 中是否存在，再決定 是否執行入庫操做。

 

案例 1、¶

 

需求：爬取4567tv網站中全部的 電影名 和 做者名¶

In [ ]:

- 說明 1 、: 項目配置文件 settings.py :
    - 默認配置：
# 添加 UA
USER_AGENT = 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36'
# 是否遵循爬蟲協議 , 不聽從
ROBOTSTXT_OBEY = False
# 開啓 scrapy 默認管道 
ITEM_PIPELINES = {
   'increment1_Pro.pipelines.Increment1ProPipeline': 300,
}
- 說明 2、: items.py 文件 本身根據代碼編寫

 

爬蟲文件¶

In [ ]:

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from redis import Redis
from increment1_Pro.items import Increment1ProItem


class MovieSpider(CrawlSpider):
    name = 'movie'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.4567tv.tv/index.php/vod/show/class/%E6%81%90%E6%80%96/id/9.html']

    rules = (
        Rule(LinkExtractor(allow=r'/index.php/vod/show/class/%E6%81%90%E6%80%96/id/9/page/\d+\.html'), callback='parse_item', follow=True),
    )
    def parse_item(self, response):
        conn = Redis(host='127.0.0.1',port=6379)

        detail_url_list ='https://www.4567tv.tv' + response.xpath('//li[@class="col-md-6 col-sm-4 col-xs-3"]/div/a/@href')

        for url in detail_url_list:
            # ex 若 爲 1 ，表示 爲新數據
            ex = conn.sadd('movies_url',url)
            if ex == 1:
                yield  scrapy.Request(url=url,callback=self.self.parse_detail)
            else:
                print("此站<%s>無更新數據，暫無新數據可爬"%url)

    def parse_detail(self,response):
        item = Increment1ProItem()
        item['name'] = response.xpath('//div[@class="stui-content__detail"]/h1/text()').extract_first()
        item['actor'] = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[3]/a/text()').extract_first()

        yield item

 

管道文件：¶

In [ ]:

# -*- coding: utf-8 -*-
from redis import Redis
class Increment1ProPipeline(object):
    def open_spider(self,spider):
        self.conn=Redis(host='127.0.0.1',port=6379)

    def process_item(self, item, spider):
        # dic = {
        #     'name': item['name'],
        #     'actor': item['actor'],
        # }
        print('正在入庫！')
        self.conn.lpush('movie_data',item)
        return item

 

案例 2、¶

 

需求：爬取糗事百科中的 段子內容 和 做者名。¶

 

爬蟲文件:¶

In [ ]:

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from increment_data.items import IncrementDataItem
from redis import Redis
import hashlib

class QiubaiSpider(CrawlSpider):
    name = 'qiubai'
    # allowed_domains = ['www.xx.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 = IncrementDataItem()
            item['author'] = div.xpath('./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()').extract_first()
            # item['content'] = response.xpath('./a[1]/div/span/text()').extract_first()
            item['content'] = div.xpath('.//div[@class="content"]/span/text()').extract()
            item['content'] = ''.join(item['content'])
            source = item['author'] + item['content']

            # 自定製 一種形式的 數據指紋， 是數據的惟一標識
            hashValue = hashlib.sha256(source.encode()).hexdigest()

            ex = conn.sadd("qiubai_hash",hashValue)
            if ex == 1:
                yield item
            else:
                print("此數據 已 爬")
                

 

管道文件:¶

In [ ]:

# -*- coding: utf-8 -*-
from redis import Redis
#####################  注意  ########################
"""
    在這裏 向 redis 的列表中 lpush 字典時 ，則python  中 redis 的版本須要爲 2.10.6,不然報錯
        pip3 install redis==2.10.6
"""
class IncrementDataPipeline(object):
    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('qiubai_data',dic)
        print('爬取到一條數據， 正在入庫')
        return item