监控爬虫 - 爱码网

增量式爬虫:

增量式爬虫:

介绍：

概念：通过爬虫程序监测某网站数据更新的情况，以便可以爬取到该网站更新出的新数据。

如何进行增量式的爬取工作：
    在发送请求之前判断这个URL是不是之前爬取过
    在解析内容后判断这部分内容是不是之前爬取过
    写入存储介质时判断内容是不是已经在介质中存在
分析：
      不难发现，其实增量爬取的核心是去重， 至于去重的操作在哪个步骤起作用，只能说各有利弊。在我看来，前两种思路需要根据实际情况取一个（也可能都用）。第一种思路适合不断有新页面出现的网站，比如说小说的新章节，每天的最新新闻等等；第二种思路则适合页面内容会更新的网站。第三个思路是相当于是最后的一道防线。这样做可以最大程度上达到去重的目的。

去重：

	将爬取过程中产生的url进行存储，存储在redis的set中。当下次进行数据爬取时，首先对即将要发起的请求对应的url在存储的url的set中做判断，如果存在则不进行请求，否则才进行请求。

	对爬取到的网页内容进行唯一标识的制定，然后将该唯一表示存储至redis的set中。当下次爬取到网页数据的时候，在进行持久化存储之前，首先可以先判断该数据的唯一标识在redis的set中是否存在，在决定是否进行持久化存储。

实战：

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

from redis import Redis
from incrementPro.items import IncrementproItem
class MovieSpider(CrawlSpider):
    name = \'movie\'
    # allowed_domains = [\'www.xxx.com\']
    start_urls = [\'http://www.4567tv.tv/frim/index7-11.html\']

    rules = (
        Rule(LinkExtractor(allow=r\'/frim/index7-\d+\.html\'), callback=\'parse_item\', follow=True),
    )
    #创建redis链接对象
    conn = Redis(host=\'127.0.0.1\',port=6379)
    def parse_item(self, response):
        li_list = response.xpath(\'//li[@class="p1 m1"]\')
        for li in li_list:
            #获取详情页的url
            detail_url = \'http://www.4567tv.tv\'+li.xpath(\'./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没有被爬取过，可以进行数据的爬取\')
                yield scrapy.Request(url=detail_url,callback=self.parst_detail)
            else:
                print(\'数据还没有更新，暂无新数据可爬取！\')

    #解析详情页中的电影名称和类型，进行持久化存储
    def parst_detail(self,response):
        item = IncrementproItem()
        item[\'name\'] = response.xpath(\'//dt[@class="name"]/text()\').extract_first()
        item[\'kind\'] = response.xpath(\'//div[@class="ct-c"]/dl/dt[4]//text()\').extract()
        item[\'kind\'] = \'\'.join(item[\'kind\'])
        yield item

配置文件：

from redis import Redis
class IncrementproPipeline(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 = {
            \'name\':item[\'name\'],
            \'kind\':item[\'kind\']
        }
        print(dic)
        self.conn.lpush(\'movieData\',dic)
        return item

实战2：

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from incrementByDataPro.items import IncrementbydataproItem
from redis import Redis
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),
        Rule(LinkExtractor(allow=r\'/text/$\'), callback=\'parse_item\', follow=True),
    )
    #创建redis链接对象
    conn = Redis(host=\'127.0.0.1\',port=6379)
    def parse_item(self, response):
        div_list = response.xpath(\'//div[@id="content-left"]/div\')

        for div in div_list:
            item = IncrementbydataproItem()
            item[\'author\'] = div.xpath(\'./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()\').extract_first()
            item[\'content\'] = div.xpath(\'.//div[@class="content"]/span/text()\').extract_first()

            #将解析到的数据值生成一个唯一的标识进行redis存储
            source = item[\'author\']+item[\'content\']
            source_id = hashlib.sha256(source.encode()).hexdigest()
            #将解析内容的唯一表示存储到redis的data_id中
            ex = self.conn.sadd(\'data_id\',source_id)

            if ex == 1:
                print(\'该条数据没有爬取过，可以爬取......\')
                yield item
            else:
                print(\'该条数据已经爬取过了，不需要再次爬取了!!!\')

from redis import Redis
class IncrementbydataproPipeline(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\']
        }
        # print(dic)
        self.conn.lpush(\'qiubaiData\', dic)
        return item

实战3：

mport scrapy
import hashlib
import redis
from wzrypro.items import WzryproItem


class WzrySpider(scrapy.Spider):
    name = \'wzry\'
    # allowed_domains = [\'www.xxx.com\']
    start_urls = [\'http://sy.5173.com/BizOffer/GoodsList?pageIndex=1&GameId=76bae5aefec047e89bcb6aa4e417f138\']
    conn = redis.Redis(host="10.0.0.6", port=6379)

    def parse(self, response):
        span_list = response.xpath(\'//span[@class="good-info"]\')

        for span in span_list:
            title = span.xpath(\'./p[1]/a/text()\').extract_first()
            # area = span.xpath(\'./p[3]/span/text()\').extract_first()
            detail_url = "http://sy.5173.com/BizOffer/" + span.xpath(\'./p[1]/a/@href\').extract_first()
            data = title

            # 生成一个数据指纹，用来做数据的唯一标识
            hash_key = hashlib.sha256(data.encode()).hexdigest()

            ex = self.conn.sadd("hash_key", hash_key)  # 如果返回1表示未存储过，返回0反之

            item = WzryproItem()
            item["title"] = title
            item["detail_url"] = detail_url

            if ex == 1:
                print("有新数据可爬取！！！")
                yield item
            else:
                print("暂无新数据可爬~~~")