基于数据指纹的增量式

基于数据指纹的增量式

概念

  1. 检测网站数据更新的内容
  2. 核心:去重
  3. url
  4. 数据指纹

增量式爬虫 :电影名称与电影类型的爬取
url:https://www.4567tv.co/list/index1.html

新建文件夹:
4567tv
在文本框中改为cmd回车
在这里插入图片描述
在cmd中写入命令
在这里插入图片描述
在这里插入图片描述
定位

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from redis import Redis

class DySpider(CrawlSpider):
    conn = Redis('127.0.0.1',6379)
    name = 'dy'
    allowed_domains = ['www.baidu.com']
    start_urls = ['https://www.4567tv.co/list/index1.html']
    link = LinkExtractor(allow=r'/list/index1-\d+\.html')
    rules = (
        Rule(link, callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        li_list =  response.xpath('//div[contains(@class,"index-area")]/ul/li')
        for li in li_list:
            my_link='https://www.4567tv.co' + li.xpath('./a/@href').extract_first()
            #向redis的集合中添加数据时,如果数据不存在,返回1,如果数据存在,返回0
            ret = self.conn.sadd('mv_link',my_link)
            if ret:
                scrapy.Request(url=my_link)
            else:    
                print('没有数据更新,无需爬取')

在这里插入图片描述左边redis运行 右边的 查看

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from redis import Redis
from zls.items import ZlsItem


class AvSpider(CrawlSpider):
    conn = Redis('127.0.0.1', 6379)
    name = 'av'
    # allowed_domains = ['www.baidu.com']
    start_urls = ['https://www.4567tv.co/list/index1.html']
    link = LinkExtractor(allow=r'/list/index1-\d+\.html')

    rules = (
        Rule(link, callback='parse_item', follow=True),
    )

    def parse_item(self, response):
        print(11111111111111111111111111111111)
        print(response)
        li_list = response.xpath('//div[contains(@class,"index-area")]/ul/li')
        for li in li_list:
            mv_link = 'https://www.4567tv.co' + li.xpath('./a/@href').extract_first()
           # 向redis的集合中添加数据时, 如果数据不存在, 返回1, 如果数据存在, 返回0
            ret = self.conn.sadd('mv_link', mv_link)
            if ret:
                print('有数据更新......................................')
                yield scrapy.Request(url=mv_link, callback=self.parse_detail)
            else:
                print('没有数据更新, 无需爬取!!!!!!!!!!!!!!!!!!!!!!!!!!!')

    def parse_detail(self, response):
        title = response.xpath('//h1[@class="title"]/text()').extract_first()
        item = ZlsItem()
        item['title'] = title
        print(item)
        yield item
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值