前言
时间流逝,光影似箭(咳咳,开始装逼了)。我们的采集框架就到了最后的关头了,之前的种种努力,无非就是为了最后一刻的荣耀,这个时候,你们是不是有点情不自禁的小激动,甚至想哭。啊啊啊,太不容易,这么小的框架还要分六个篇章来写,你唬谁呢。嘿嘿,我只不过是让你们能看的舒服一点嘛。不扯淡了,简单说下最后部分的设计。
正文
虽然之前我们分了5个部分去设计代码,整体的架构依然清晰,但是总感觉缺少那么一个部分,就是启动器。纵观全文,从何处开始采集呢,如果实现循环采集呢。这边就不卖关子了,直接see code。
# -*- coding: utf-8 -*-
from multiprocessing import Process
from db_connect import RedisDbConn
from crawl_basicinfo import EpregAppCollect
from crawl_detailinfo import DetailCollect
from config import *
import time
from loguru import logger
class Scheduler():
# def __init__(self):
# self.client = RedisDbConn()
# self.init_status = INIT_STATUS
def schedule_basic(self,cycle = BASCI_CYCLE):
"""
定时采集企业的基本信息
:param cycle:
:return:
"""
basic = EpregAppCollect()
while True:
count = RedisDbConn().get_count(INIT_STATUS, PARAMS_REDIS_DB)
if count > 1000:
logger.info("数据库已经有" + count + "的企业详细信息还未采集,基本信息采集暂停")
BASIC_ENABLED = False
else:
BASIC_ENABLED = True
if BASIC_ENABLED:
logger.info("开始抓取企业基本信息~~~~")
basic.run()
time.sleep(cycle)
def schedule_detail(self,cycle=DETAIL_CYCLE):
"""
采集企业详细信息
:param cycle:
:return:
"""
getter = DetailCollect()
while True:
if GETTER_ENABLED:
logger.info("开始抓取企业详细信息~~~~")
getter.run()
time.sleep(cycle)
def run(self):
logger.info("企业采集脚本开始运行~~~")
test_process = Process(target=self.schedule_basic)
test_process.start()
# test_process.join()
test_process = Process(target=self.schedule_detail)
test_process.start()
# test_process.join()
if __name__ == '__main__':
spider = Scheduler()
spider.run()
这边是建立了一个schedule.py文件,用来做启动器,内部用多进程管理两个部分采集,一个是基础采集,还有个是详细内容采集,我们可以只看基础部分就好了,在这边我设置了一个基础详细企业名称最大为1000,如果想超过1000,我们就先把这一块的内容采集了,再去采集其他企业进行分词,堆积太多可能会导致链接失效。运行它,我们整个框架就圆满了。下面是运行截图:
完整项目请见
github