dataObject可以去重吗java_python爬虫scrapy框架之增量式爬虫的示例代码

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

到此这篇关于python爬虫之scrapy框架之增量式爬虫的示例代码的文章就介绍到这了,更多相关scrapy增量式爬虫内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！