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