标签：集合 redis dex 持久 div str imp url art
增量式爬虫
- 概念：监测网站数据更新的情况，只会爬取网站最新更新出来的数据。
- 分析：
- 指定一个起始url
- 基于CrawlSpider获取其他页码链接
- 基于Rule将其他页码链接进行请求
- 从每一个页码对应的页面源码中解析出每一个电影详情页的URL
- 核心：检测电影详情页的url之前有没有请求过，这里的示例使用了redis集合的去重特性，也可以使用python集合的去重特性。
- 将爬取过的电影详情页的url存储
- 存储到redis的set数据结构
- 对详情页的url发起请求，然后解析出电影的名称和简介
- 进行持久化存储
示例：爬取电影的名称和简介，只爬取之前没有爬取过的电影。
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 moviePro.items import MovieproItem class MovieSpider(CrawlSpider): name = ‘movie‘ # allowed_domains = [‘www.xxx.com‘] start_urls = [‘https://www.4567kan.com/frim/index1.html‘] rules = ( Rule(LinkExtractor(allow=r‘index1-\d+\.html‘), callback=‘parse_item‘, follow=False), ) conn = Redis(host=‘127.0.0.1‘,port=6379) def parse_item(self, response): li_list = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/ul/li‘) for li in li_list: title = li.xpath(‘./div/div/h4/a/text()‘).extract_first() detail_url = ‘https://www.4567kan.com/‘+li.xpath(‘./div/div/h4/a/@href‘).extract_first() ex = self.conn.sadd(‘urls‘, detail_url) # 利用redis的集合类型 如果存在 返回0 不存在 返回1 if ex == 1: print("爬取成功") yield scrapy.Request(url=detail_url,callback=self.parse_detail) else: print(‘暂无新资源‘) def parse_detail(self,response): item = MovieproItem() desc = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/p[5]/span[2]/text()‘).extract_first() title = response.xpath(‘/html/body/div[1]/div/div/div/div[2]/h1/text()‘).extract_first() item[‘desc‘] = desc item[‘title‘] = title yield item def closed(self,response): self.conn.close()
items.py
import scrapy class MovieproItem(scrapy.Item): # define the fields for your item here like: # name = scrapy.Field() title = scrapy.Field() desc = scrapy.Field()
pipelines.py
import json class MovieproPipeline: def open_spider(self,spider): self.conn = spider.conn def process_item(self, item, spider): dic = { ‘title‘:item[‘title‘], ‘desc‘: item[‘desc‘] } dic = json.dumps(dic) # 向redis中存放一个数据结构 self.conn.lpush(‘movieDate‘,dic) return item
标签：集合 redis dex 持久 div str imp url art
原文地址：https://www.cnblogs.com/sxy-blog/p/13216251.html
