20.scrapy框架之增量式爬虫

一、增量式爬虫

1.什么是增量式爬虫？？？

　　—  通俗的来说，爬取网站中更新的数据，不管是产生新页面，还是原本的页面更新，这种变化都被称为增量， 而爬取过程则被称为增量爬取

2.回顾一下爬虫的工作流程

　　1. 指定URL，发送URL请求，获取页面数据

　　2. 获得响应对象

　　3. 解析对象的内容

　　4. 储存内容

3. 实现增量式爬虫的方案：

　　1.在发送请求之前,判断url之前是否爬取过

　　　　a.将即将进行爬取的数据对应的url存储到redis的set中.

　　2.根据爬取到的数据进行重复过滤,然后在进行持久化存储（在解析内容后判断这部分内容是不是之前爬取过）

　　　　   b.将爬取到的数据给其生成一个唯一的标识(可以将该标识作为mysql的列.可以将该标识存储到redis的set中)

　　3.写入存储介质时判断内容是不是已经在介质中存在

4. 实现增量式爬取:4567

　　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

　　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。

最简单的去重方式自然是将所有访问过的URL和其对应的内容保存下来，然后过一段时间重新爬取一次并进行比较，然后决定是否需要覆盖。这显然是不实际的，因为会消耗很多资源。目前比较实际的做法就是给URL或者其内容（取决于这个网站采用哪种更新方式）上一个标识，这个标识有个比较好听的名字，叫数据指纹。

　　这里很容易想到的一种数据指纹就是哈希值，根据哈希函数的特性，我们可以为任意内容生成一个独一无二的定长字符串，之后只要比较这个哈希值就行了。哈希值是一个很伟大的发明，几乎在任何地方都有它的影子，它利用数学特性，计算机只要经过简单的计算就可以得到唯一的特征值，这个计算过程的开销基本可以忽略不计，当然这是题外话了。

　　不过即使用了哈希值，你仍需要一个地方存储所有的哈希值，并且要能做到方便的取用。如果你的存储介质是数据库，一般的数据库系统都能提供索引，如果把哈希值作为唯一索引呢，这应该是可行的。有些数据库也提供查询后再插入的操作，不过本质上应该也是索引。和哈希值类似的还有MD5校验码，殊途同归。

　　除了自建指纹，其实在发送请求时还有一些技巧，比如说304状态码，Last-modified字段，文件大小和MD5签名。很好理解，就不细说了。

　　综上所述，在数据量不大的时候，几百个或者就几千个的时候，简单自己写个小函数或者利用集合的特性去重就行了。如果数据量够大，数据指纹的价值就体现出来了，另外，如果要对数据做持久化（简单说就是去重操作不会被事故影响，比如说断电），就需要用到Redis数据库。

5. 具体实现

　　示例一：在发送请求之前,判断url之前是否爬取过

　　　　　   基于scrape框架中的CrawlSpider类进行爬取，4567电影网中电影下面的爱情片对应数据

　　　　　　http://www.4567tv.tv/frim/index7-11.html

　　　

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from redis import Redis
from moviePro.items import MovieproItem


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=6380,db=1)
    def parse_item(self, response):
        li_list = response.xpath('//div[@class="index-area clearfix"]/ul/li')
        for li in li_list:
            # 获取详情页面的url
            detail_url = 'http://www.4567tv.tv' + li.xpath('./a/@href').extract_first()
            #将详情页面的url存入redis
            ex = self.conn.sadd("urls",detail_url)
            # 在向redis中存取的时候判断当前的url是否存在，如果不存在返回1，存在返回0
            if ex==1:
                print("该url还未被爬取，可以进行数据爬取")
                # 获取详情页面
                yield scrapy.Request(url=detail_url,callback=self.detail_data)
            else:
                print("该url已被爬取，暂无更新数据")

    # 解析详情页中的电影名称和类型，进行持久化存储
    def detail_data(self,response):
        # 解析出所需的数据
        name = response.xpath('//dt[@class="name"]/text()').extract_first()
        kind = response.xpath('//div[@class="ct-c"]/dl/dt[4]/a/text()').extract_first()
        # 创建一个item对象，并将解析到数据进行储存到该对象当中
        item = MovieproItem()
        item["name"] = name
        item["kind"] = kind
        item["kind"] = "".join(item["kind"])
        # 将item对象进行持久化储存
        yield item

　　　

import scrapy

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

　　　pipelines.py 管道文件 

　　　

BOT_NAME = 'moviePro'

SPIDER_MODULES = ['moviePro.spiders']
NEWSPIDER_MODULE = 'moviePro.spiders'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'

ROBOTSTXT_OBEY = False

# 开启管道文件
ITEM_PIPELINES = {
   'moviePro.pipelines.MovieproPipeline': 300,
}

　　示例二： 在解析内容后判断这部分内容是不是之前爬取过

　　　　 基于scrape框架中的CrawlSpider类进行爬取，糗事百科，文字对应新闻的名称，和内容

　　　　 https://www.qiushibaike.com/text/

　　  

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from qiubaiPro.items import QiubaiproItem
import hashlib
from redis import Redis
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=6380,db=2)

    def parse_item(self, response):
        print(response)
        div_list = response.xpath('//div[@id="content-left"]/div')
        for div in div_list:
            author = div.xpath('./div/a[2]/h2/text() | ./div[1]/span[2]/h2/text()').extract_first()
            content = div.xpath('.//div[@class="content"]/span/text()').extract_first()
            #
            item = QiubaiproItem()
            item["author"] = author
            item["content"] = content

            # 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"]
            # 使用md5进行加密
            md5_obj = hashlib.md5()
            md5_obj.update(source.encode("utf-8"))
            source_id= md5_obj.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("数据还没有被爬取，可以进行爬取！！！")
                yield item
            else:
                print("该条数据已被爬取，请勿再次爬取")

　

　　　

import scrapy

class QiubaiproItem(scrapy.Item):
    # define the fields for your item here like:
    author = scrapy.Field()
    content = scrapy.Field()

　　　

from redis import Redis
import json
class QiubaiproPipeline(object):
    conn =None

    def open_spider(self,spider):
        self.conn = Redis(host="127.0.0.1",port=6380,db=2)
    def process_item(self, item, spider):
        dic = {
            "author":item["author"],
            "content":item["content"]
        }
        print(dic)
        self.conn.lpush("qiubaiData",json.dumps(dic))
        return item

　　  

BOT_NAME = 'qiubaiPro'

SPIDER_MODULES = ['qiubaiPro.spiders']
NEWSPIDER_MODULE = 'qiubaiPro.spiders'
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'

ROBOTSTXT_OBEY = False

# 开启管道文件
ITEM_PIPELINES = {
   'qiubaiPro.pipelines.QiubaiproPipeline': 300,
}