Python爬虫的任务数据操作的小技巧

需求

爬取某网站的项目列表页，获取其url，标题等信息，作为后续爬取详情页的任务url。

先上代码

代码

# -*- coding: utf-8 -*-  # @Time : 2019-11-08 14:04  # @Author : cxa  # @File : motor_helper.py  # @Software: PyCharm    import asyncio   import datetime  from loguru import logger  from motor.motor_asyncio import AsyncIOMotorClient  from collections import Iterable    try:      import uvloop        asyncio.set_event_loop_policy(uvloop.EventLoopPolicy())  except ImportError:      pass    db_configs = {      'host': '127.0.0.1',      'port': '27017',      'db_name': 'mafengwo',      'user': ''  }    class MotorOperation:      def __init__(self):          self.__dict__.update(**db_configs)          if self.user:              self.motor_uri = f"mongodb://{self.user}:{self.passwd}@{self.host}:{self.port}/{self.db_name}?authSource={self.db_name}"          else:              self.motor_uri = f"mongodb://{self.host}:{self.port}/{self.db_name}"          self.client = AsyncIOMotorClient(self.motor_uri)          self.mb = self.client[self.db_name]      async def save_data_with_status(self, items, col="seed_data"):          for item in items:              data = dict()              data["update_time"] = datetime.datetime.now()              data["status"] = 0  # 0初始              data.update(item)              print("data", data)              await self.mb[col].update_one({                  "url": item.get("url")},                  {'$set': data, '$setOnInsert': {'create_time': datetime.datetime.now()}},                  upsert=True)         async def add_index(self, col="seed_data"):          # 添加索引          await self.mb[col].create_index('url')  

因为我的爬虫是异步网络模块aiohttp写的，所以选择了pymongo的异步版本motor进行操作。

异步代码的基本属性就是async/await成对的出现，如果把上面的await和async去掉，就是类似pymongo的写法了,这里异步不是重点，重点是我们怎么处理每条数据。

这里除了网页的url，标题等信息，我需要附加3个字段。分别是create_time, status,update_time。

这三个字段分别代表，数据插入数据，状态和更新时间。

那么我为什么添加三个字段呢?

首先，我们需要判断每次的任务数据是否存在，我这里的情况是存在就更新不存在就插入，那么我就需要一个查询条件，作为更新的条件，很显然这里可以使用任务的url作为唯一条件(你还可以使用url+标题做个md5然后保存)，好了查询条件确定。

下面说create_time这个比较好理解就是数据插入时间,关键是为什么还要一个update_time，这个的话和status字段有一定的关系。画重点：这个status作为后续爬虫进行爬取的一个标志用。目前这个status有4个值，0-4，我这是这样定义的，

0:初始状态

1:抓取中的任务

2:抓取成功

3:抓取失败

4:抓取成功但是没有匹配到任务。

后面随着任务的爬取，状态也是不断变化的，同时我们需要更新update_time为最新的时间。这个目前的话是体现不出来什么作用，它的使用场景是，重复任务的抓取，比如今天我抓取了任务列表里的url1、url2，第二天的时候我如果再抓到，为了区分是抓取失败还是抓取成功，我们根据create_time和update_time就可以进行推断了，如果两者相同而且是当前的日期说明刚抓的，如果update_time的日期比create_time新可以说明，抓到了重复的任务。关于字段的设计就啰嗦这么些。

下面是实现，我们可以通过update_one方法，对数据作存在或者插入操作，因为url作为查询条件，后面量大的话就最好添加一个索引。也就是上面的 add_index方法。

好了最好说插入更新的具体代码

需要注意的是

{'$set': data, '$setOnInsert': {'create_time': datetime.datetime.now()}}  

$setOnInsert里面使用的字段是数据不存在的时候才插入的，存在就不动了，只插入$set里面指定的。

另外$setOnInsert里面使用的字段不能在$set里面再次出现

upsert=True代表的是不存在就插入。

​