[302]scrapy-deltafetch实现增量爬取

前言

在之前的文章中我们都是对目标站点进行全量爬取,只要爬虫run起来就会对所有的链接都爬取一遍,这其实是很傻的做法,因为很多情况下我们并不需要爬取已经爬过的链接,除非你需要定期更新这个链接对应页面上的数据。好了,回归正题,本文介绍scrapy使用scrapy-deltafetch这个插件来实现增量爬取,这里以爬取【美食杰】上的菜谱信息为例。

正文

安装scrapy-deltafetch

pip install scrapy-deltafetch

如安装过程报错Can't find a local Berkeley DB installation.请参考:http://jinbitou.net/2018/01/27/2579.html

新建项目和爬虫
$ scrapy startproject meishijie PycharmProjects/meishijie
$ cd PycharmProjects/meishijie
$ scrapy genspider meishi meishij.net
settings.py

用Pycharm打开生成的项目,编辑settings.py,添加如下内容:

SPIDER_MIDDLEWARES = {
‘scrapy_deltafetch.DeltaFetch’: 100
}
DELTAFETCH_ENABLED = True

meishi.py

编辑爬虫文件meishi.py,因为是测试我就不写太多逻辑了,大家知道就好。

# -*- coding: utf-8 -*-
import scrapy

class MeishiSpider(scrapy.Spider):
    name = 'meishi'
    allowed_domains = ['meishij.net']
    start_urls = ['http://www.meishij.net/yaoshanshiliao/jibingtiaoli/weiyan/']

    def parse(self, response):
        for ms in response.xpath("//div[contains(@class,'i_w')]"):
            item = {}
            title = ms.xpath("div/div/strong/text()").extract_first()
            hot = ms.xpath("div/div/span/text()").extract_first()
            item["title"] = title
            item["hot"] = hot
            yield item
        next_page = response.xpath("//a[@class='next']/@href").extract_first()
        print("下一页:", next_page)
        if next_page:
            yield scrapy.Request(response.urljoin(next_page), callback=self.parse)

如上,items.pypipelines.pymiddlewares.py不做任何改动,保持默认就好。

运行

运行如下命令就可以看到scrapy已经愉快地跑起来了

$ scrapy crawl meishi

很快,所有链接已经爬取完毕,查看运行日志

2018-01-27 14:11:18 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'deltafetch/stored': 1500,
'downloader/request_bytes': 25530,
'downloader/request_count': 76,
'downloader/request_method_count/GET': 76,
'downloader/response_bytes': 1280237,
'downloader/response_count': 76,
'downloader/response_status_count/200': 76,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2018, 1, 27, 6, 11, 18, 772936),
'item_scraped_count': 1500,
'log_count/DEBUG': 1577,
'log_count/INFO': 7,
'memusage/max': 52551680,
'memusage/startup': 52551680,
'request_depth_max': 74,
'response_received_count': 76,
'scheduler/dequeued': 75,
'scheduler/dequeued/memory': 75,
'scheduler/enqueued': 75,
'scheduler/enqueued/memory': 75,
'start_time': datetime.datetime(2018, 1, 27, 6, 10, 55, 141746)}
2018-01-27 14:11:18 [scrapy.core.engine] INFO: Spider closed (finished)

可以知道,scrapy共发起了包括入口在内的76次请求,爬取了1500个item,deltafetch存储了这1500个item对应请求的指纹信息。

测试增量爬取

再次运行scrapy crawl meishi命令

2018-01-27 14:27:39 [scrapy_deltafetch.middleware] INFO: Ignoring already visited: <GET http://www.meishij.net/shiliao.php?st=3&cid=178&sortby=update&page=2>
2018-01-27 14:27:39 [scrapy.core.engine] INFO: Closing spider (finished)
2018-01-27 14:27:39 [scrapy.statscollectors] INFO: Dumping Scrapy stats:
{'deltafetch/skipped': 1,
'deltafetch/stored': 20,
'downloader/request_bytes': 471,
'downloader/request_count': 2,
'downloader/request_method_count/GET': 2,
'downloader/response_bytes': 17879,
'downloader/response_count': 2,
'downloader/response_status_count/200': 2,
'finish_reason': 'finished',
'finish_time': datetime.datetime(2018, 1, 27, 6, 27, 39, 940365),
'item_scraped_count': 20,
'log_count/DEBUG': 23,
'log_count/INFO': 8,
'memusage/max': 52420608,
'memusage/startup': 52420608,
'request_depth_max': 1,
'response_received_count': 2,
'scheduler/dequeued': 1,
'scheduler/dequeued/memory': 1,
'scheduler/enqueued': 1,
'scheduler/enqueued/memory': 1,
'start_time': datetime.datetime(2018, 1, 27, 6, 27, 39, 547330)}
2018-01-27 14:27:39 [scrapy.core.engine] INFO: Spider closed (finished)

可以看到scrapy除了入口的请求外,之前请求过的链接都已经跳过,Done!

补充

如果想重新爬取之前已经爬取过的链接,可以通过重置DeltaFetch的缓存来实现,具体做法是给你的爬虫传一个参数deltafetch_reset,例如:

$ scrapy crawl meishi -a deltafetch_reset=1

来源:http://jinbitou.net/2018/01/27/2581.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 5
    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 5
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