您好,登錄后才能下訂單哦!
本篇文章為大家展示了怎么在python中利用scrapy爬蟲(chóng)定時(shí)抓取數(shù)據(jù),內(nèi)容簡(jiǎn)明扼要并且容易理解,絕對(duì)能使你眼前一亮,通過(guò)這篇文章的詳細(xì)介紹希望你能有所收獲。
每天抓取的是同一份商品的數(shù)據(jù),用來(lái)做趨勢(shì)分析。
要求每天都需要抓一份,也僅限抓取一份數(shù)據(jù)。
但是整個(gè)爬取數(shù)據(jù)的過(guò)程在時(shí)間上并不確定,受本地網(wǎng)絡(luò),代理速度,抓取數(shù)據(jù)量有關(guān),一般情況下在20小時(shí)左右,極少情況下會(huì)超過(guò)24小時(shí)。
通過(guò)以下三步,保證爬蟲(chóng)能自動(dòng)隔天抓取數(shù)據(jù):
每天凌晨00:01啟動(dòng)監(jiān)控腳本,監(jiān)控爬蟲(chóng)的運(yùn)行狀態(tài),一旦爬蟲(chóng)進(jìn)入空閑狀態(tài),啟動(dòng)爬蟲(chóng)。
一旦爬蟲(chóng)執(zhí)行完畢,自動(dòng)退出腳本,結(jié)束今天的任務(wù)。
一旦腳本距離啟動(dòng)時(shí)間超過(guò)24小時(shí),自動(dòng)退出腳本,等待第二天的監(jiān)控腳本啟動(dòng),重復(fù)這三步。
python 3.6.1
系統(tǒng):win7
IDE:pycharm
安裝過(guò)scrapy
3.1. 前提:
目前爬蟲(chóng)是通過(guò)scrapy模塊自帶的cmdline.execute來(lái)啟動(dòng)的。
from scrapy import cmdline cmdline.execute('scrapy crawl mySpider'.split())
3.2. 將自動(dòng)執(zhí)行腳本做到scrapy爬蟲(chóng)的外部
(1)每天凌晨00:01啟動(dòng)腳本(控制腳本的存活時(shí)間為24小時(shí)),監(jiān)測(cè)爬蟲(chóng)的運(yùn)行狀態(tài)(需要用一個(gè)標(biāo)記信息來(lái)表示爬蟲(chóng)的狀態(tài):運(yùn)行還是停止)。
如果爬蟲(chóng)處于運(yùn)行狀態(tài)(前一天爬取數(shù)據(jù)尚未結(jié)束),進(jìn)入第(2)步;
如果爬蟲(chóng)處于非運(yùn)行狀態(tài)(前一天的爬取任務(wù)已完成,今天的尚未開(kāi)始),進(jìn)入第(3)步;
(2)腳本進(jìn)入等待階段,每隔10分鐘,檢查一下爬蟲(chóng)的運(yùn)行狀態(tài),如(1)。但是一旦發(fā)現(xiàn),腳本的等待時(shí)間超過(guò)了24小時(shí),則自動(dòng)退出腳本,因?yàn)榈诙斓谋O(jiān)測(cè)腳本已經(jīng)開(kāi)始運(yùn)行了,接替了它的任務(wù)。
(3)做一些爬蟲(chóng)啟動(dòng)前的準(zhǔn)備工作(刪除用來(lái)續(xù)爬的文件,防止爬蟲(chóng)不運(yùn)行了),啟動(dòng)爬蟲(chóng)爬取數(shù)據(jù),待爬蟲(chóng)正常結(jié)束后,退出腳本,完成當(dāng)天的爬取任務(wù)。
通過(guò)判斷文件是否存在的方式來(lái)判斷爬蟲(chóng)是否處于運(yùn)行狀態(tài):
在爬蟲(chóng)啟動(dòng)時(shí),創(chuàng)建一個(gè)isRunning.txt文件。
在爬蟲(chóng)結(jié)束時(shí),刪除這個(gè)isRunning.txt文件。
那么isRunning.txt存在,就說(shuō)明爬蟲(chóng)正在運(yùn)行;文件不存在,就說(shuō)明爬蟲(chóng)不在運(yùn)行。
# 文件pipelines.py # 爬蟲(chóng)啟動(dòng)時(shí) checkFile = "isRunning.txt" class myPipeline: def open_spider(self, spider): self.client = MongoClient('localhost:27017') # 連接Mongodb self.db = self.client['mydata'] # 待存儲(chǔ)數(shù)據(jù)的數(shù)據(jù)庫(kù)mydata f = open(checkFile, "w") # 創(chuàng)建一個(gè)文件,代表爬蟲(chóng)在運(yùn)行中 f.close()
# 文件pipelines.py # 爬蟲(chóng)正常結(jié)束時(shí) checkFile = "isRunning.txt" class myPipeline: def close_spider(self, spider): self.client.close() isFileExsit = os.path.isfile(checkFile) if isFileExsit: os.remove(checkFile)
# 在scrapy項(xiàng)目中添加start.py文件,用于啟動(dòng)爬蟲(chóng) from scrapy import cmdline # 在爬蟲(chóng)運(yùn)行過(guò)程中,會(huì)自動(dòng)將狀態(tài)信息存儲(chǔ)在crawls/storeMyRequest目錄下,支持續(xù)爬 cmdline.execute('scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest'.split()) # Note:若想支持續(xù)爬,在ctrl+c終止爬蟲(chóng)時(shí),只能按一次,爬蟲(chóng)在終止時(shí)需要進(jìn)行善后工作,切勿連續(xù)多次按ctrl+c
設(shè)置Log等級(jí):
# 文件mySpider.py class mySpider(CrawlSpider): name = "mySpider" allowed_domains = ['http://photo.poco.cn/'] custom_settings = { 'LOG_LEVEL':'INFO', # 減少Log輸出量,僅保留必要的信息 # ...... 在爬蟲(chóng)內(nèi)部用custom_setting可以讓這個(gè)配置信息僅對(duì)這一個(gè)爬蟲(chóng)生效 }
以日期為L(zhǎng)og文件命名
# 文件settings.py import datetime BOT_NAME = 'mySpider' ROBOTSTXT_OBEY = False startDate = datetime.datetime.now().strftime('%Y%m%d') LOG_FILE=f"mySpiderlog{startDate}.txt"
4.4. 為數(shù)據(jù)按日期存儲(chǔ)到不同的表(mongodb的集合)中
# 文件pipelines.py import datetime GALANCE=f'galance{datetime.datetime.now().strftime("%Y%m%d")}' # 表名
class myPipeline: def open_spider(self, spider): self.client = MongoClient('localhost:27017') # 連接Mongodb self.db = self.client['mydata'] # 待存儲(chǔ)數(shù)據(jù)的數(shù)據(jù)庫(kù)mydata
self.db[GALANCE].insert(dict(item))
# 文件run.bat cd /d F:/newClawer20170831/mySpider call python main.py pause
# 文件timerStartDaily.py from scrapy import cmdline import datetime import time import shutil import os recoderDir = r"crawls" # 這是為了爬蟲(chóng)能夠續(xù)爬而創(chuàng)建的目錄,存儲(chǔ)續(xù)爬需要的數(shù)據(jù) checkFile = "isRunning.txt" # 爬蟲(chóng)是否在運(yùn)行的標(biāo)志 startTime = datetime.datetime.now() print(f"startTime = {startTime}") i = 0 miniter = 0 while True: isRunning = os.path.isfile(checkFile) if not isRunning: # 爬蟲(chóng)不在執(zhí)行,開(kāi)始啟動(dòng)爬蟲(chóng) # 在爬蟲(chóng)啟動(dòng)之前處理一些事情,清掉JOBDIR = crawls isExsit = os.path.isdir(recoderDir) # 檢查JOBDIR目錄crawls是否存在 print(f"mySpider not running, ready to start. isExsit:{isExsit}") if isExsit: removeRes = shutil.rmtree(recoderDir) # 刪除續(xù)爬目錄crawls及目錄下所有文件 print(f"At time:{datetime.datetime.now()}, delete res:{removeRes}") else: print(f"At time:{datetime.datetime.now()}, Dir:{recoderDir} is not exsit.") time.sleep(20) clawerTime = datetime.datetime.now() waitTime = clawerTime - startTime print(f"At time:{clawerTime}, start clawer: mySpider !!!, waitTime:{waitTime}") cmdline.execute('scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest'.split()) break #爬蟲(chóng)結(jié)束之后,退出腳本 else: print(f"At time:{datetime.datetime.now()}, mySpider is running, sleep to wait.") i += 1 time.sleep(600) # 每10分鐘檢查一次 miniter += 10 if miniter >= 1440: # 等待滿24小時(shí),自動(dòng)退出監(jiān)控腳本 break
5.2. 編寫(xiě)bat批處理文件
# 文件runTimerRunDaily.bat cd /d F:/newClawer20170831/mySpider call python timerStartDaily.py pause
6.2. 注意事項(xiàng)。
(1)在添加計(jì)劃任務(wù)時(shí),要按照如下圖進(jìn)行勾選(只在用戶登錄時(shí)運(yùn)行),才能彈出下面的cmd任務(wù)界面,方便觀察和調(diào)試。
(2)由于爬蟲(chóng)運(yùn)行時(shí)間很長(zhǎng),如果按照默認(rèn)設(shè)置,在凌晨運(yùn)行實(shí)例時(shí),上一次啟動(dòng)尚未結(jié)束,會(huì)導(dǎo)致這次啟動(dòng)失敗,所以要更改默認(rèn)設(shè)置為(如果此任務(wù)已經(jīng)運(yùn)行:并行運(yùn)行新實(shí)例。保護(hù)機(jī)制在于每個(gè)啟動(dòng)腳本在等待24小時(shí)候會(huì)自動(dòng)退出,來(lái)保證不會(huì)重復(fù)啟動(dòng))。
(3)如果想支持續(xù)傳,只能按一次 ctrl + c 來(lái)停止爬蟲(chóng)運(yùn)行。因?yàn)?strong>終止爬蟲(chóng)時(shí),爬蟲(chóng)需要做一些善后工作,如果連續(xù)按多次ctrl + c來(lái)停止爬蟲(chóng),爬蟲(chóng)將來(lái)不及善后,會(huì)導(dǎo)致無(wú)法續(xù)爬。 6.3. 效果展示。
正常執(zhí)行完成:
正在執(zhí)行中:
上述內(nèi)容就是怎么在python中利用scrapy爬蟲(chóng)定時(shí)抓取數(shù)據(jù),你們學(xué)到知識(shí)或技能了嗎?如果還想學(xué)到更多技能或者豐富自己的知識(shí)儲(chǔ)備,歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。