爬虫学习笔记（第九章）增量式爬虫

---

前言

2021.08.30第九章比较少

---

第九章

增量式爬虫

1.知识点

• 增量式爬虫
  • 概念：监测网站数据更新的情况，只会爬取网站最新更新出来的数据。
  • 分析：
    • 指定一个起始url
    • 基于CrawlSpider获取其他页码链接
    • 基于Rule将其他页码链接进行请求
    • 从每一个页码对应的页面源码中解析出每一部电影详情页的url
    • 核心： 检测电影详情页的url之前有没有请求过
      • 将爬取过的电影详情页url存储
        • 存储到redis的set数据结构中
    • 对详情页的url发起请求，然后解析出电影的名称和简介
    • 进行持久化存储

2.代码

代码如下：

• movie.py

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


class MovieSpider(CrawlSpider):
    name = 'movie'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.4567tv.tv/frim/index1.html']

    rules = (
        Rule(LinkExtractor(allow=r'/frim/index1-\d+\.html'), callback='parse_item', follow=True),
    )
    # 创建redis链接对象
    conn = Redis(host='127.0.0.1', port=6379)

    # 用于解析每一个页码对应页面中的电影详情页的url
    def parse_item(self, response):
        li_list = response.xpath('/html/body/div[1]/div/div/div/div[2]/ul/li')
        for li in li_list:
            # 获取详情页的url
            detail_url = 'https://www.4567tv.tv' + li.xpath('./div/a/@href').extract_first()

            # 将详情页的url存入redis的set中
            ex = self.conn.sadd('urls', detail_url)
            if ex == 1:
                print('该url未被爬取，可进行数据爬取')
                yield scrapy.Request(url=detail_url, callback=self.parse_detail)
            else:
                print('数据还未更新，暂无进行数据爬取')

    # 解析详情页中的电影名称和类型，进行持久化存储
    def parse_detail(self, response):
        item = MovieproItem
        item['name'] = response.xpath('/html/body/div[1]/div/div/div/div[2]/h1/text()')
        item['desc'] = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[5]/spam[2]//text()')
        item['desc'] = ''.join(item['desc'])

        yield item

• pipelines.py

class MovieproPipeline:
    conn = None

    def open_spider(self, spider):
        self.conn = spider.com

    def process_item(self, item, spider):
        dic = {
            'name': item['name'],
            'desc': item['desc']
        }
        print(dic)
        self.conn.lpush('movieData', dic)
        return item

• items.py

import scrapy


class MovieproItem(scrapy.Item):
    # define the fields for your item here like:
    name = scrapy.Field()
    desc = scrapy.Field()
    # pass

• settings.py
  常规操作