欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python實(shí)現(xiàn)scrapy爬蟲每天定時(shí)抓取數(shù)據(jù)的示例代碼

 更新時(shí)間:2021年01月27日 11:11:15   作者:Kosmoo  
這篇文章主要介紹了python實(shí)現(xiàn)scrapy爬蟲每天定時(shí)抓取數(shù)據(jù)的示例代碼,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

1. 前言。

1.1. 需求背景。

  •  每天抓取的是同一份商品的數(shù)據(jù),用來做趨勢分析。
  • 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,極少情況下會超過24小時(shí)。

1.2. 實(shí)現(xiàn)功能。

通過以下三步,保證爬蟲能自動隔天抓取數(shù)據(jù):
每天凌晨00:01啟動監(jiān)控腳本,監(jiān)控爬蟲的運(yùn)行狀態(tài),一旦爬蟲進(jìn)入空閑狀態(tài),啟動爬蟲。

一旦爬蟲執(zhí)行完畢,自動退出腳本,結(jié)束今天的任務(wù)。

一旦腳本距離啟動時(shí)間超過24小時(shí),自動退出腳本,等待第二天的監(jiān)控腳本啟動,重復(fù)這三步。

2. 環(huán)境。

python 3.6.1

系統(tǒng):win7

IDE:pycharm

安裝過scrapy

3. 設(shè)計(jì)思路。

3.1. 前提:

目前爬蟲是通過scrapy模塊自帶的cmdline.execute來啟動的。

from scrapy import cmdline
cmdline.execute('scrapy crawl mySpider'.split())

3.2. 將自動執(zhí)行腳本做到scrapy爬蟲的外部

(1)每天凌晨00:01啟動腳本(控制腳本的存活時(shí)間為24小時(shí)),監(jiān)測爬蟲的運(yùn)行狀態(tài)(需要用一個(gè)標(biāo)記信息來表示爬蟲的狀態(tài):運(yùn)行還是停止)。

  • 如果爬蟲處于運(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)間超過了24小時(shí),則自動退出腳本,因?yàn)榈诙斓谋O(jiān)測腳本已經(jīng)開始運(yùn)行了,接替了它的任務(wù)。

(3)做一些爬蟲啟動前的準(zhǔn)備工作(刪除用來續(xù)爬的文件,防止爬蟲不運(yùn)行了),啟動爬蟲爬取數(shù)據(jù),待爬蟲正常結(jié)束后,退出腳本,完成當(dāng)天的爬取任務(wù)。

4. 準(zhǔn)備工作。

4.1. 標(biāo)記爬蟲的運(yùn)行狀態(tài)。

通過判斷文件是否存在的方式來判斷爬蟲是否處于運(yùn)行狀態(tài):

  • 在爬蟲啟動時(shí),創(chuàng)建一個(gè)isRunning.txt文件。
  • 在爬蟲結(jié)束時(shí),刪除這個(gè)isRunning.txt文件。

那么isRunning.txt存在,就說明爬蟲正在運(yùn)行;文件不存在,就說明爬蟲不在運(yùn)行。

# 文件pipelines.py
# 爬蟲啟動時(shí)
checkFile = "isRunning.txt"
class myPipeline:
  def open_spider(self, spider):
    self.client = MongoClient('localhost:27017') # 連接Mongodb
    self.db = self.client['mydata']        # 待存儲數(shù)據(jù)的數(shù)據(jù)庫mydata
    f = open(checkFile, "w")     # 創(chuàng)建一個(gè)文件,代表爬蟲在運(yùn)行中
    f.close()
# 文件pipelines.py
# 爬蟲正常結(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)

4.2. 爬蟲支持續(xù)爬,能隨時(shí)暫停,方便調(diào)試。

# 在scrapy項(xiàng)目中添加start.py文件,用于啟動爬蟲
from scrapy import cmdline
# 在爬蟲運(yùn)行過程中,會自動將狀態(tài)信息存儲在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終止爬蟲時(shí),只能按一次,爬蟲在終止時(shí)需要進(jìn)行善后工作,切勿連續(xù)多次按ctrl+c

這里寫圖片描述

4.3. Log按照每天的日期命名,方便查看和調(diào)試

設(shè)置Log等級:

# 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
    # ...... 在爬蟲內(nèi)部用custom_setting可以讓這個(gè)配置信息僅對這一個(gè)爬蟲生效
  }

以日期為Log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']        # 待存儲數(shù)據(jù)的數(shù)據(jù)庫mydata
self.db[GALANCE].insert(dict(item))

這里寫圖片描述

4.5. 編寫批處理文件啟動爬蟲

# 文件run.bat
cd /d F:/newClawer20170831/mySpider
call python main.py
pause

這里寫圖片描述

5. 實(shí)現(xiàn)代碼

5.1. 編寫python腳本

# 文件timerStartDaily.py
from scrapy import cmdline
import datetime
import time
import shutil
import os

recoderDir = r"crawls"  # 這是為了爬蟲能夠續(xù)爬而創(chuàng)建的目錄,存儲續(xù)爬需要的數(shù)據(jù)
checkFile = "isRunning.txt" # 爬蟲是否在運(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:            # 爬蟲不在執(zhí)行,開始啟動爬蟲
    # 在爬蟲啟動之前處理一些事情,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),自動退出監(jiān)控腳本
    break

5.2. 編寫bat批處理文件

# 文件runTimerRunDaily.bat
cd /d F:/newClawer20170831/mySpider
call python timerStartDaily.py
pause

6. 部署。

6.1. 添加計(jì)劃任務(wù)。

參考以下這篇博客部署windows計(jì)劃任務(wù):

http://www.dbjr.com.cn/article/204879.htm

有關(guān)windows計(jì)劃任務(wù)相關(guān)設(shè)置的詳細(xì)說明如下:

https://technet.microsoft.com/zh-cn/library/cc722178.aspx

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。

這里寫圖片描述 

這里寫圖片描述

(2)由于爬蟲運(yùn)行時(shí)間很長,如果按照默認(rèn)設(shè)置,在凌晨運(yùn)行實(shí)例時(shí),上一次啟動尚未結(jié)束,會導(dǎo)致這次啟動失敗,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)啟動腳本在等待24小時(shí)候會自動退出,來保證不會重復(fù)啟動)。

這里寫圖片描述

(3)如果想支持續(xù)傳,只能按一次 ctrl + c 來停止爬蟲運(yùn)行。因?yàn)?strong>終止爬蟲時(shí),爬蟲需要做一些善后工作,如果連續(xù)按多次ctrl + c來停止爬蟲,爬蟲將來不及善后,會導(dǎo)致無法續(xù)爬。 6.3. 效果展示。

正常執(zhí)行完成:

這里寫圖片描述

正在執(zhí)行中:

這里寫圖片描述

到此這篇關(guān)于python實(shí)現(xiàn)scrapy爬蟲每天定時(shí)抓取數(shù)據(jù)的示例代碼的文章就介紹到這了,更多相關(guān)python scrapy定時(shí)抓取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

最新評論