python爬虫scrapy框架之增量式爬虫的示例代码_Python

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