python定时爬取数据_python实现scrapy爬虫每天定时抓取数据的示例代码

1. 前言。

1.1. 需求背景。

每天抓取的是同一份商品的数据，用来做趋势分析。

要求每天都需要抓一份，也仅限抓取一份数据。

但是整个爬取数据的过程在时间上并不确定，受本地网络，代理速度，抓取数据量有关，一般情况下在20小时左右，极少情况下会超过24小时。

1.2. 实现功能。

通过以下三步，保证爬虫能自动隔天抓取数据：

每天凌晨00：01启动监控脚本，监控爬虫的运行状态，一旦爬虫进入空闲状态，启动爬虫。

一旦爬虫执行完毕，自动退出脚本，结束今天的任务。

一旦脚本距离启动时间超过24小时，自动退出脚本，等待第二天的监控脚本启动，重复这三步。

2. 环境。

python 3.6.1

系统：win7

IDE：pycharm

安装过scrapy

3. 设计思路。

3.1. 前提：

目前爬虫是通过scrapy模块自带的cmdline.execute来启动的。

from scrapy import cmdline

cmdline.execute('scrapy crawl mySpider'.split())

3.2. 将自动执行脚本做到scrapy爬虫的外部

(1)每天凌晨00：01启动脚本(控制脚本的存活时间为24小时)，监测爬虫的运行状态(需要用一个标记信息来表示爬虫的状态：运行还是停止)。

如果爬虫处于运行状态(前一天爬取数据尚未结束)，进入第(2)步；

如果爬虫处于非运行状态(前一天的爬取任务已完成，今天的尚未开始)，进入第(3)步；

(2)脚本进入等待阶段，每隔10分钟，检查一下爬虫的运行状态，如(1)。但是一旦发现，脚本的等待时间超过了24小时，则自动退出脚本，因为第二天的监测脚本已经开始运行了，接替了它的任务。

(3)做一些爬虫启动前的准备工作(删除用来续爬的文件，防止爬虫不运行了)，启动爬虫爬取数据，待爬虫正常结束后，退出脚本，完成当天的爬取任务。

4. 准备工作。

4.1. 标记爬虫的运行状态。

通过判断文件是否存在的方式来判断爬虫是否处于运行状态：

在爬虫启动时，创建一个isRunning.txt文件。

在爬虫结束时，删除这个isRunning.txt文件。

那么isRunning.txt存在，就说明爬虫正在运行；