增量爬虫

  • 增量爬虫
  • 案例---->猫眼演员信息爬取
  • 网站
  • 需求
  • 代码实现


增量爬虫

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：

  1. 在发送请求之前判断这个 URL 是否爬取过。
  2. 在解析内容后判断这部分内容是否爬取过。
  3. 写入存储介质时判断内容是否在介质中。

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，例如：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。去重方法：

  1. 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， 首先判断即将要发起请求的 url 是否在存储 url 的 set 中存在，如果不存在则进行请求。
  2. 对爬取到的网页内容进行唯一标识的限定，然后将该唯一标识存储至 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，进一步决定是否进行持久化存储.

案例---->猫眼演员信息爬取

网站

需求

（1）该案例爬取策略是通过多个演员作为起始任务，后面的演员主要从相关影人处获 取。
（2）相关影人有可能重复，设计好去重。
（3）自定义调度器来设置下载的任务。

代码实现

import hashlib
import threading
import requests
from lxml import etree
from queue import Queue
import redis
class MaoYanActor(threading.Thread):
    def __init__(self,q_actors,name):
        super().__init__()
        self.name=name
        self.q_actors=q_actors
        self.redis_=redis.Redis()
        self.s=requests.session()
        self.headers={
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36 Maxthon/5.2.6.1000',
            'Host':'maoyan.com',
            'Connection':'keep-alive',
        }
        self.s.headers=self.headers

    def get_md5(self,value):
        return hashlib.md5(bytes(value, encoding='utf-8')).hexdigest()

    def get_xpath(self,url):
        rep=self.s.get(url).text
        return etree.HTML(rep)
    def url_seen(self,url):
        fp=self.get_md5(url)
        add=self.redis_.sadd('maoyan_actor:actor_urls',fp)
        return add==0
    def parse_actor(self,tree):
        actor_name=tree.xpath('//div[@class="shortInfo"]/p[1]/text()')[0]
    def run(self):
        while True:
            if q_actors.empty():
                break
            # 获取url
            url = q_actors.get()
            print(f"{self.name}==========@{url.split('/')[-1]}")
            if not self.url_seen(url):
                # 请求,得到相应内容
                tree = self.get_xpath(url)
                # 解析当前演员信息并保存
                self.parse_actor(tree)
                # 获取响应电影人的信息--url
                relation_actors = tree.xpath('//div[@class="rel-item"]/a/@href')
                for actors in relation_actors:
                    self.q_actors.put('https://maoyan.com' + actors)

if __name__ == '__main__':
    # 处理url列表
    start_urls = [
        'https://maoyan.com/films/celebrity/29410',
        'https://maoyan.com/films/celebrity/789',
        'https://maoyan.com/films/celebrity/28383',
        'https://maoyan.com/films/celebrity/33280',
        'https://maoyan.com/films/celebrity/28449'
    ]
    q_actors = Queue()
    for url in start_urls:
        q_actors.put(url)
    name_list=['线程1','线程2','线程3','线程4']
    for name in name_list:
        print(name)
        m=MaoYanActor(q_actors,name)
        m.start()