python實(shí)現(xiàn)scrapy爬蟲每天定時(shí)抓取數(shù)據(jù)的示例代碼
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
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))
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
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。
(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)。
(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:
正在執(zhí)行中:
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
python機(jī)器學(xué)習(xí)使數(shù)據(jù)更鮮活的可視化工具Pandas_Alive
今天我分享大家一款非常棒的動畫可視化工具:Pandas_Alive,它以?matplotlib?繪圖為后端,不僅可以創(chuàng)建出令人驚嘆的動畫可視化,而且使用方法非常簡單。本文詳情如下2021-11-11Python序列的推導(dǎo)式實(shí)現(xiàn)代碼
推導(dǎo)式是可以從一個(gè)數(shù)據(jù)序列構(gòu)建另一個(gè)新的數(shù)據(jù)序列(的一種結(jié)構(gòu)體),是python的一種獨(dú)有特性,在python中共有三種推導(dǎo),列表推導(dǎo)式和字典推導(dǎo)式,集合推導(dǎo)式,本文通過實(shí)例代碼給大家介紹的非常詳細(xì),需要的朋友參考下吧2021-07-07windows系統(tǒng)中Python多版本與jupyter notebook使用虛擬環(huán)境的過程
這篇文章主要介紹了windows中Python多版本與jupyter notebook中使用虛擬環(huán)境的安裝過程,本文分步驟給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值 ,需要的朋友可以參考下2019-05-05Python中使用異常處理來判斷運(yùn)行的操作系統(tǒng)平臺方法
這篇文章主要介紹了Python中使用異常處理來判斷運(yùn)行的操作系統(tǒng)平臺方法,這個(gè)方法比較新穎,,需要的朋友可以參考下2015-01-01如何使用Python基于接口編程的方法實(shí)現(xiàn)
本文主要介紹了如何使用Python基于接口編程,文中通過示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2021-11-11Python使用pandas導(dǎo)入xlsx格式的excel文件內(nèi)容操作代碼
這篇文章主要介紹了Python使用pandas導(dǎo)入xlsx格式的excel文件內(nèi)容,基本導(dǎo)入是在Python中使用pandas導(dǎo)入.xlsx文件的方法是read_excel(),本文結(jié)合示例代碼給大家介紹的非常詳細(xì),需要的朋友可以參考下2022-12-12Python 轉(zhuǎn)換文本編碼實(shí)現(xiàn)解析
這篇文章主要介紹了Python 轉(zhuǎn)換文本編碼實(shí)現(xiàn)解析,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2019-08-08