python爬蟲scrapy框架之增量式爬蟲的示例代碼
scrapy框架之增量式爬蟲
一 、增量式爬蟲
什么時(shí)候使用增量式爬蟲:
增量式爬蟲:需求 當(dāng)我們?yōu)g覽一些網(wǎng)站會(huì)發(fā)現(xiàn),某些網(wǎng)站定時(shí)的會(huì)在原有的基礎(chǔ)上更新一些新的數(shù)據(jù)。如一些電影網(wǎng)站會(huì)實(shí)時(shí)更新最近熱門的電影。那么,當(dāng)我們?cè)谂老x的過(guò)程中遇到這些情況時(shí),我們是不是應(yīng)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(lái)實(shí)現(xiàn)
二 、增量式爬蟲
概念:
通過(guò)爬蟲程序檢測(cè)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(lái)的數(shù)據(jù)
如何進(jìn)行增量式爬取工作:
在發(fā)送請(qǐng)求之前判斷這個(gè)URL之前是不是爬取過(guò)
在解析內(nèi)容之后判斷該內(nèi)容之前是否爬取過(guò)
在寫入存儲(chǔ)介質(zhì)時(shí)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(guò)程中產(chǎn)生的URL進(jìn)行存儲(chǔ),存入到redis中的set中,當(dāng)下次再爬取的時(shí)候,對(duì)在存儲(chǔ)的URL中的set中進(jìn)行判斷,如果URL存在則不發(fā)起請(qǐng)求,否則 就發(fā)起請(qǐng)求
對(duì)爬取到的網(wǎng)站內(nèi)容進(jìn)行唯一的標(biāo)識(shí),然后將該唯一標(biāo)識(shí)存儲(chǔ)到redis的set中,當(dāng)下次再爬取數(shù)據(jù)的時(shí)候,在進(jìn)行持久化存儲(chǔ)之前,要判斷該數(shù)據(jù)的唯一標(biāo)識(shí)在不在redis中的set中,如果在,則不在進(jìn)行存儲(chǔ),否則就存儲(chǔ)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(dāng)前爬取的數(shù)據(jù)做哈希唯一標(biāo)識(shí)(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(kù)......')
return item
到此這篇關(guān)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(guān)scrapy增量式爬蟲內(nèi)容請(qǐng)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!
- python爬蟲框架scrapy下載中間件的編寫方法
- python爬蟲之scrapy框架詳解
- python爬蟲框架scrapy代理中間件掌握學(xué)習(xí)教程
- python爬蟲框架Scrapy基本應(yīng)用學(xué)習(xí)教程
- Python爬蟲教程使用Scrapy框架爬取小說(shuō)代碼示例
- Python爬蟲框架之Scrapy中Spider的用法
- Python爬蟲基礎(chǔ)之簡(jiǎn)單說(shuō)一下scrapy的框架結(jié)構(gòu)
- Python爬蟲基礎(chǔ)講解之scrapy框架
- Python爬蟲框架-scrapy的使用
- python爬蟲scrapy框架的梨視頻案例解析
- python Scrapy爬蟲框架的使用
- Python爬蟲框架Scrapy簡(jiǎn)介
相關(guān)文章
PyQt5的PyQtGraph實(shí)踐系列3之實(shí)時(shí)數(shù)據(jù)更新繪制圖形
這篇文章主要介紹了PyQt5的PyQtGraph實(shí)踐系列3之實(shí)時(shí)數(shù)據(jù)更新繪制圖形,小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2019-05-05
Python實(shí)現(xiàn)CART決策樹算法及詳細(xì)注釋
CART算法是一種樹構(gòu)建算法,既可以用于分類任務(wù),又可以用于回歸,本文僅討論基本的CART分類決策樹構(gòu)建,不討論回歸樹和剪枝等問(wèn)題,感興趣的朋友跟隨小編一起看看吧2021-10-10
解決Numpy報(bào)錯(cuò):ImportError: numpy.core.multiarray faile
這篇文章主要介紹了解決Numpy報(bào)錯(cuò):ImportError: numpy.core.multiarray failed問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-01-01
Matplotlib自定義坐標(biāo)軸刻度的實(shí)現(xiàn)示例
這篇文章主要介紹了Matplotlib自定義坐標(biāo)軸刻度的實(shí)現(xiàn)示例,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-06-06
解決plt.savefig()和plt.show()方法得到的圖片不一樣問(wèn)題
這篇文章主要介紹了解決plt.savefig()和plt.show()方法得到的圖片不一樣問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
妙用itchat! python實(shí)現(xiàn)久坐提醒功能
python編寫的久坐提醒,給最愛的那個(gè)她,這篇文章主要為大家分享了python久坐提醒功能的實(shí)現(xiàn)代碼,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2019-11-11

