Scrapy学习笔记(9)-使用scrapy-deltafetch实现增量爬取

前言

在之前的文章中我们都是对目标站点进行全量爬取,只要爬虫run起来就会对所有的链接都爬取一遍,这其实是很傻的做法,因为很多情况下我们并不需要爬取已经爬过的链接,除非你需要定期更新这个链接对应页面上的数据。好了,回归正题,本文介绍scrapy使用scrapy-deltafetch这个插件来实现增量爬取,这里以爬取【美食杰】上的菜谱信息为例。

正文

安装scrapy-deltafetch

$ pip install scrapy-deltafetch

如安装过程报错Can't find a local Berkeley DB installation.请参考:http://jinbitou.net/2018/01/27/2579.html

新建项目和爬虫

$ scrapy startproject meishijie PycharmProjects/meishijie

$ cd PycharmProjects/meishijie

$ scrapy genspider meishi meishij.net

settings.py

用Pycharm打开生成的项目,编辑settings.py,添加如下内容:

SPIDER_MIDDLEWARES = { 

‘scrapy_deltafetch.DeltaFetch’: 100 

DELTAFETCH_ENABLED = True

meishi.py

编辑爬虫文件meishi.py,因为是测试我就不写太多逻辑了,大家知道就好。

# -*- coding: utf-8 -*-import scrapyclass MeishiSpider(scrapy.Spider):    name = 'meishi'    allowed_domains = ['meishij.net']    start_urls = ['http://www.meishij.net/yaoshanshiliao/jibingtiaoli/weiyan/']    def parse(self, response):        for ms in response.xpath("//div[contains(@class,'i_w')]"):            item = {}            title = ms.xpath("div/div/strong/text()").extract_first()            hot = ms.xpath("div/div/span/text()").extract_first()            item["title"] = title

            item["hot"] = hot

            yield item

        next_page = response.xpath("//a[@class='next']/@href").extract_first()        print("下一页:", next_page)        if next_page:            yield scrapy.Request(response.urljoin(next_page), callback=self.parse)

如上,items.py,pipelines.py,middlewares.py不做任何改动,保持默认就好。

运行

运行如下命令就可以看到scrapy已经愉快地跑起来了

$ scrapy crawl meishi

很快,所有链接已经爬取完毕,查看运行日志

2018-01-27 14:11:18 [scrapy.statscollectors] INFO: Dumping Scrapy stats:{'deltafetch/stored': 1500,'downloader/request_bytes': 25530,'downloader/request_count': 76,'downloader/request_method_count/GET': 76,'downloader/response_bytes': 1280237,'downloader/response_count': 76,'downloader/response_status_count/200': 76,'finish_reason': 'finished','finish_time': datetime.datetime(2018, 1, 27, 6, 11, 18, 772936),'item_scraped_count': 1500,'log_count/DEBUG': 1577,'log_count/INFO': 7,'memusage/max': 52551680,'memusage/startup': 52551680,'request_depth_max': 74,'response_received_count': 76,'scheduler/dequeued': 75,'scheduler/dequeued/memory': 75,'scheduler/enqueued': 75,'scheduler/enqueued/memory': 75,'start_time': datetime.datetime(2018, 1, 27, 6, 10, 55, 141746)}2018-01-27 14:11:18 [scrapy.core.engine] INFO: Spider closed (finished)

可以知道,scrapy共发起了包括入口在内的76次请求,爬取了1500个item,deltafetch存储了这1500个item对应请求的指纹信息。

测试增量爬取

再次运行scrapy crawl meishi命令

2018-01-27 14:27:39 [scrapy_deltafetch.middleware] INFO: Ignoring already visited: 2018-01-27 14:27:39 [scrapy.core.engine] INFO: Closing spider (finished)2018-01-27 14:27:39 [scrapy.statscollectors] INFO: Dumping Scrapy stats:{'deltafetch/skipped': 1,'deltafetch/stored': 20,'downloader/request_bytes': 471,'downloader/request_count': 2,'downloader/request_method_count/GET': 2,'downloader/response_bytes': 17879,'downloader/response_count': 2,'downloader/response_status_count/200': 2,'finish_reason': 'finished','finish_time': datetime.datetime(2018, 1, 27, 6, 27, 39, 940365),'item_scraped_count': 20,'log_count/DEBUG': 23,'log_count/INFO': 8,'memusage/max': 52420608,'memusage/startup': 52420608,'request_depth_max': 1,'response_received_count': 2,'scheduler/dequeued': 1,'scheduler/dequeued/memory': 1,'scheduler/enqueued': 1,'scheduler/enqueued/memory': 1,'start_time': datetime.datetime(2018, 1, 27, 6, 27, 39, 547330)}2018-01-27 14:27:39 [scrapy.core.engine] INFO: Spider closed (finished)

可以看到scrapy除了入口的请求外,之前请求过的链接都已经跳过,Done!

补充

如果想重新爬取之前已经爬取过的链接,可以通过重置DeltaFetch的缓存来实现,具体做法是给你的爬虫传一个参数deltafetch_reset,例如:

$ scrapy crawl meishi -a deltafetch_reset=1

更多原创文章,尽在金笔头博客

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,723评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,485评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,998评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,323评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,355评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,079评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,389评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,019评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,519评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,971评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,100评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,738评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,293评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,289评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,517评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,547评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,834评论 2 345

推荐阅读更多精彩内容