python爬虫Scrapy(5)之增量式
增量式
-
爬虫应用场景分类
- 通用爬虫
- 聚焦爬虫
- 功能爬虫
- 分布式爬虫
- 增量式：
- 用来监测网站数据更新的情况（爬取网站最新更新出来的数据）。
- 只是一种程序设计的思路，使用什么技术都是可以实现的。
- 核心：
- 去重。
- 使用一个记录表来实现数据的去重：
- 记录表：存储爬取过的数据的记录
- 如何构建和设计一个记录表：
- 记录表需要具备的特性：
- 去重
- 需要持久保存的
- 方案1：使用Python的set集合充当记录表？
- 不可以的！因为set集合无法实现持久化存储
- 方案2：使用redis的set集合充当记录表？
- 可以的，因为redis的set既可以实现去重又可以进行数据的持久化存储。
- 记录表需要具备的特性：
- 使用一个记录表来实现数据的去重：
- 去重。
-
基于两个场景实现增量式爬虫：
- 场景1：如果爬取的数据都是存储在当前网页中，没有深度的数据爬取的必要。
- 场景2：爬取的数据存在于当前页和详情页中，具备深度爬取的必要。
-
场景1的实现：
-
数据指纹：
-
数据的唯一标识。记录表中可以不直接存储数据本身，直接存储数据指纹更好一些。
-
#爬虫文件 import scrapy import redis from ..items import Zlsdemo1ProItem class DuanziSpider(scrapy.Spider): name = 'duanzi' # allowed_domains = ['www.xxxx.com'] start_urls = ['https://ishuo.cn/'] #Redis的链接对象 conn = redis.Redis(host='127.0.0.1',port=6379) def parse(self, response): li_list = response.xpath('//*[@id="list"]/ul/li') for li in li_list: content = li.xpath('./div[1]/text()').extract_first() title = li.xpath('./div[2]/a/text()').extract_first() all_data = title+content #生成该数据的数据指纹 import hashlib # 导入一个生成数据指纹的模块 m = hashlib.md5() m.update(all_data.encode('utf-8')) data_id = m.hexdigest() ex = self.conn.sadd('data_id',data_id) if ex == 1:#sadd执行成功（数据指纹在set集合中不存在） print('有最新数据的更新，正在爬取中......') item = Zlsdemo1ProItem() item['title'] = title item['content'] = content yield item else:#sadd没有执行成功（数据指纹在set集合中存储） print('暂无最新数据更新，请等待......')
-
-
-
场景2的实现：
-
使用详情页的url充当数据指纹即可。
-
import scrapy import redis from ..items import Zlsdemo2ProItem class JianliSpider(scrapy.Spider): name = 'jianli' # allowed_domains = ['www.xxx.com'] start_urls = ['https://sc.chinaz.com/jianli/free.html'] conn = redis.Redis(host='127.0.0.1',port=6379) def parse(self, response): div_list = response.xpath('//*[@id="container"]/div') for div in div_list: title = div.xpath('./p/a/text()').extract_first() #充当数据指纹 detail_url = 'https:'+div.xpath('./p/a/@href').extract_first() ex = self.conn.sadd('data_id',detail_url) item = Zlsdemo2ProItem() item['title'] = title if ex == 1: print('有最新数据的更新，正在采集......') yield scrapy.Request(url=detail_url,callback=self.parse_detail,meta={'item':item}) else: print('暂无数据更新！') def parse_detail(self,response): item = response.meta['item'] download_url = response.xpath('//*[@id="down"]/div[2]/ul/li[1]/a/@href').extract_first() item['download_url'] = download_url yield item
-
scrapy项目部署
scrapyd部署工具介绍
- scrapyd是一个用于部署和运行scrapy爬虫的程序，它由 scrapy 官方提供的。它允许你通过JSON API来部署爬虫项目和控制爬虫运行。
所谓json api本质就是post请求的webapi
- 选择一台主机当做服务器，安装并启动 scrapyd 服务。再这之后，scrapyd 会以守护进程的方式存在系统中，监听爬虫地运行与请求，然后启动进程来执行爬虫程序。
环境安装
- scrapyd服务:
pip install scrapyd
- scrapyd客户端:
pip install scrapyd-client
一定要安装较新的版本10以上的版本，如果是现在安装的一般都是新版本
启动scrapyd服务
-
打开终端在scrapy项目路径下 启动scrapyd的命令：
scrapyd -
scrapyd 也提供了 web 的接口。方便我们查看和管理爬虫程序。默认情况下 scrapyd 监听 6800 端口，运行 scrapyd 后。在本机上使用浏览器访问
http://localhost:6800/地址即可查看到当前可以运行的项目。 -
点击job可以查看任务监控界面
scrapy项目部署
配置需要部署的项目
- 编辑需要部署的项目的scrapy.cfg文件(需要将哪一个爬虫部署到scrapyd中，就配置该项目的该文件)
[deploy:部署名(部署名可以自行定义)]
url = http://localhost:6800/
project = 项目名(创建爬虫项目时使用的名称)
username = bobo # 如果不需要用户名可以不写
password = 123456 # 如果不需要密码可以不写
部署项目到scrapyd
-
同样在scrapy项目路径下执行如下指令：
scrapyd-deploy 部署名(配置文件中设置的名称) -p 项目名称 -
部署成功之后就可以看到部署的项目
-
使用以下命令检查部署爬虫结果：
-
scrapyd-deploy -L 部署名
-
管理scrapy项目
指令管理
-
安装curl命令行工具
- window需要安装
- linux和mac无需单独安装
-
window安装步骤：
-
下载curl文件：https://curl.se/download.html，打开网页后向下拖动，找到window系统对应版本下载
-
下载后，放置到一个无中文的文件夹下直接解压缩，解压后将bin文件夹配置环境变量！
-
参考网页：https://www.cnblogs.com/lisa2016/p/12193494.html
-
-
启动项目：
curl http://localhost:6800/schedule.json -d project=项目名 -d spider=爬虫名-
返回结果：注意期中的jobid，在关闭项目时候会用到
-
{"status": "ok", "jobid": "94bd8ce041fd11e6af1a000c2969bafd", "node_name": "james-virtual-machine"}
-
-
-
关闭项目：
-
curl http://localhost:6800/cancel.json -d project=项目名 -d job=项目的jobid
-
-
删除爬虫项目：
-
curl http://localhost:6800/delproject.json -d project=爬虫项目名称
-
requests模块控制scrapy项目
import requests
# 启动爬虫
url = 'http://localhost:6800/schedule.json'
data = {
'project': 项目名,
'spider': 爬虫名,
}
resp = requests.post(url, data=data)
# 停止爬虫
url = 'http://localhost:6800/cancel.json'
data = {
'project': 项目名,
'job': 启动爬虫时返回的jobid,
}
resp = requests.post(url, data=data)
生产者消费者模式
认识生产者和消费者模式
生产者和消费者是异步爬虫中很常见的一个问题。产生数据的模块，我们称之为生产者，而处理数据的模块，就称为消费者。
例如：
图片数据爬取中，解析出图片链接的操作就是在生产数据
对图片链接发起请求下载图片的操作就是在消费数据
为什么要使用生产者和消费者模式
在异步世界里，生产者就是生产数据的线程，消费者就是消费数据的线程。在多线程开发当中，如果生产者处理速度很快，而消费者处理速度很慢，那么生产者就必须等待消费者处理完，才能继续生产数据。同样的道理，如果消费者的处理能力大于生产者，那么消费者就必须等待生产者。为了解决这个问题于是引入了生产者和消费者模式。
import requests
import threading
from lxml import etree
from queue import Queue
from urllib.request import urlretrieve
from time import sleep
headers = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.138 Safari/537.36",
}
#生产数据：解析提取图片地址
class Producer(threading.Thread):#生产者线程
def __init__(self,page_queue,img_queue):
super().__init__()
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
while True:
if self.page_queue.empty():
print('Producer任务结束')
break
#从page_queue中取出一个页码链接
url = self.page_queue.get()
#从当前的页码对应的页面中解析出更多的图片地址
self.parse_detail(url)
def parse_detail(self,url):
response = requests.get(url,headers=headers)
response.encoding = 'gbk'
page_text = response.text
tree = etree.HTML(page_text)
li_list = tree.xpath('//*[@id="main"]/div[3]/ul/li')
for li in li_list:
img_src = 'https://pic.netbian.com'+li.xpath('./a/img/@src')[0]
img_title = li.xpath('./a/b/text()')[0]+'.jpg'
dic = {
'title':img_title,
'src':img_src
}
self.img_queue.put(dic)
#消费数据：对图片地址进行数据请求
class Consumer(threading.Thread):#消费者线程
def __init__(self,page_queue,img_queue):
super().__init__()
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
while True:
if self.img_queue.empty() and self.page_queue.empty():
print('Consumer任务结束')
break
dic = self.img_queue.get()
title = dic['title']
src = dic['src']
print(src)
urlretrieve(src,'imgs/'+title)
print(title,'下载完毕！')
def main():
#该队列中存储即将要要去的页面页码链接
page_queue = Queue(20)
#该队列存储生产者生产出来的图片地址
img_queue = Queue(60)
#该循环可以将2，3，4这三个页码链接放入page_queue中
for x in range(2,10):
url = 'https://pic.netbian.com/4kmeinv/index_%d.html'%x
page_queue.put(url)
#生产者
for x in range(3):
t = Producer(page_queue,img_queue)
t.start()
#消费者
for x in range(3):
t = Consumer(page_queue,img_queue)
t.start()
main()