python爬蟲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 當我們瀏覽一些網站會發現，某些網站定時的會在原有的基礎上更新一些新的數據。如一些電影網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據？那么，增量式爬蟲就可以幫助我們來實現

二 增量式爬蟲

概念

通過爬蟲程序檢測某網站數據更新的情況，這樣就能爬取到該網站更新出來的數據

如何進行增量式爬取工作：

• 在發送請求之前判斷這個URL之前是不是爬取過
• 在解析內容之后判斷該內容之前是否爬取過
• 在寫入存儲介質時判斷內容是不是在該介質中

增量式的核心是 去重

去重的方法

• 將爬取過程中產生的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存在則不發起請求，否則 就發起請求
• 對爬取到的網站內容進行唯一的標識，然后將該唯一標識存儲到redis的set中，當下次再爬取數據的時候，在進行持久化存儲之前，要判斷該數據的唯一標識在不在redis中的set中，如果在，則不在進行存儲，否則就存儲該內容

三 實列

爬取4567tv網站中所有的電影詳情數據

movie.py

# -*- 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/id/7.html']

    rules = (
        Rule(LinkExtractor(allow=r'/index.php/vod/show/id/7/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= response.xpath('//li[@class="col-md-6 col-sm-4 col-xs-3"]/div/a/@href').extract()
        for url in detail_url_list:
            ex = conn.sadd('movies_url',url)
            #等於1 的時候 說明數據還沒有存儲到redis中  等於0 的時候 說明redis中已經存在該數據
            if ex == 1:
                yield scrapy.Request(url=url,callback=self.parse_detail)
            else:
                print("網站中無數據更新，沒有可爬取得數據！！！")
    def parse_detail(self,response):
        item = Increment1ProItem()
        item['name']=response.xpath('/html/body/div[1]/div/div/div/div[2]/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


        # 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

from redis import Redis
class Increment1ProPipeline(object):
    conn = None
    def open_spider(self,spider):
        self.conn = Redis(host='127.0.0.1',port=6379)

    def process_item(self, item, spider):
        print('有新的數據正在入庫')
        self.conn.lpush('movie_data',item)
        return item

爬取糗事百科中的內容和作者

qiubai.py

# -*- 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()
            source = item['author'] + item['content']

            sourse = item['content']+item['author']
            #自己定制一種形式得數據指紋
            hashvalue = hashlib.sha256(sourse.encode()).hexdigest()

            ex = conn.sadd('qiubai_hash',hashvalue)
            if ex == 1:
                yield item
            else:
                print('沒有可更新的數據可爬取')


        # 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

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('爬取到一條數據,正在入庫......')
        return item