增量式爬虫

增量式爬取

概念：监控网站数据更新的情况，以便于爬取到最新更新出来的数据。

实现核心：去重

• 实战中去重的方式：记录表

  • 记录表需要记录什么？记录的一定是爬取过的相关信息。

    • 爬取过的相关信息：例如每一步电影的详情页的url
    • 只需要使某一组数据，改组数据可以作为该部电影的唯一标识即可，刚好电影详情页的url 就可以作为电影的唯一标识。只要可以表示电影唯一标识的数据我们统称为数据指纹。

  • 去重的方式对应的记录表：

    • python中的set集合（不可以）

      set集合无法持久化存储

    • redis中的set集合是可以的

      -可以持久化存储

以上图片创建一个集合，叫name 插入数据bobo .jay,但是在插入bobo时返回0，说明插入失败，因为集合不能重复！！利用返回值进行判断！

• 数据指纹一般是经过加密

  • 当前案例的数据指纹没必要加密
  • 什么情况数据指纹需要加密？
    • 如果数据的唯一标识表示的内容数据量比较大，可以使用hash将数据加密成32位密文
      • 目的是为了节省空间！！ 因为你把密文存到redis,当url相同，密文也相同，redis也能识别重复，就会返回0 无法插入！

# -*- coding: utf-8 -*-
import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from zlsPro.items import ZlsproItem
from redis import Redis
class ZlsSpider(CrawlSpider):
    name = 'zls'
    # allowed_domains = ['www.xxx.com']
    start_urls = ['https://www.4567kan.com/index.php/vod/show/class/%E5%8A%A8%E4%BD%9C/id/1.html']
    conn = Redis(host='127.0.0.1',port=6379)
    rules = (
        Rule(LinkExtractor(allow=r'page/d+.html'), callback='parse_item', follow=False),
    )

    def parse_item(self, response):
        #解析电影的名称+电影详情页的url
        li_list = response.xpath('/html/body/div[1]/div/div/div/div[2]/ul/li')
        for li in li_list:
            title = li.xpath('./div/a/@title').extract_first()
            detail_url = 'https://www.4567kan.com'+li.xpath('./div/a/@href').extract_first()

            ex = self.conn.sadd('movie_urls',detail_url)
            #ex==1插入成功，ex==0插入失败
            if ex == 1: #detail_url表示的电影没有存在于记录表中
                #爬取电影数据：发起请求
                print('有新数据更新，正在爬取新数据......')
                item = ZlsproItem()
                item['title'] = title
                yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={'item':item})
            else:#存在于记录表中
                print('暂无数据更新！')
    def parse_detail(self,response):
        #解析电影简介
        desc = response.xpath('/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()').extract_first()
        item = response.meta['item']
        item['desc'] = desc

        yield item