引入
在我们爬取某些网站时会遇到一些问题?某些网站会定时在原有网页数据的基础上更新一批数据。
例如某电影网站会实时更新一批最近热门的电影。小说网站会根据作者创作的进度实时更新最新的章节数据等等。
那么遇到类似的场景,我们就可以采用增量式爬虫了
而增量式爬虫分为两个步骤:
- 增量爬取
- 爬取结果去重
增量爬取
一个站点更新也会出现下面两种情况:
1,单个页面数据更新
当出现这种情况的时候,我们对此特定页面的内容做哈希,当然要去除动态变化的那一部分,比如有的页面有验证码或者日期,程序定期执行,在执行的最开始检测此页面的哈希值跟上次抓取是否有变化,如果有变化就开始抓取。
2,新增了页面
如果是新增页面呢,我们会对页面入口内容做哈希,并且存储分页面的URL哈希值,如果页面入口哈希值发生变化,获取新增的页面url列表,在这里需要用到url的去重,和数据去重类似,采用redis集合类型处理。
redis集合类型不允许添加重复的数据,当添加重复的时候时,返回0,并且添加失败。我们将所有的url list存入redis集合,当页面入口变化时,进行页面url去重,只抓取新增的页面。
爬取结果去重
结果去重也有以下两种常用的方法:
布隆过滤器
其中布隆过滤器是通过写文件的方式,多个进程使用需要添加同步和互斥,较为繁琐,不推荐多线程/进程的时候使用,另外写文件是磁盘I/O操作,耗费时间长,可以累积到一定数量再一次写入,或者利用上下文管理器在程序结束或异常退出时一次性写入。
class Spider(object): def __init(): # 布容过滤器初始化 self.burongname = 'test.bl' if not os.path.isfile(self.burongname): self.bl = BloomFilter(capacity=100000, error_rate=0.000001) else: with open(self.burongname, 'rb') as f: self.bl = BloomFilter.fromfile(f) def __enter__(self): u""" 上下文管理器进入入口 """ return self def __exit__(self, *args): u""" 上下文管理器,退出出口 """ if self.conn is not None: self.conn.close() with open(self.burongname, 'wb') as f: self.fingerprints.tofile(f) def get_infos(self): """ 抓取主函数 """ # 布隆过滤器使用部分, x为抓取到得数据 x = json.dumps(i) if x not in self.bl: self.bl.add(x)if __name__ == '__main__': with Spider() as MSS: MSS.get_infos()
上下文管理器,在主函数执行之前执行 def enter ,在程序运行结束或异常退出时执行def exit, 上下文管理器还可以用来统计程序执行的时间。
redis集合
使用redis集合去重能够支持多线程多进程.
利用redis集合无重复数据的特点,在redis建立集合,往其中添加数据的sha1值,添加成功返回1,表示无重复,添加失败返回0,表示集合中已经有重复数据
使用步骤:
- 建立redis连接池
- 重复检查
下面的例子是接口,并提供example。
[Redis]server=192.168.0.100pass=123@123
import sysimport hashlibimport osimport codecsimport ConfigParserimport redis"""利用redis的集合不允许添加重复元素来进行去重"""def example(): pool, r = redis_init() temp_str = "aaaaaaaaa" result = check_repeate(r, temp_str, 'test:test') if result == 0: print ("重复") else: print ("不重复") redis_close(pool)def redis_init(parasecname="Redis"): """ 初始化redis :return: redis连接池 """ cur_script_dir = os.path.split(os.path.realpath(__file__))[0] cfg_path = os.path.join(cur_script_dir, "db.conf") cfg_reder = ConfigParser.ConfigParser() secname = parasecname cfg_reder.readfp(codecs.open(cfg_path, "r", "utf_8")) redis_host = cfg_reder.get(secname, "server") redis_pass = cfg_reder.get(secname, "pass") # redis pool = redis.ConnectionPool(host=redis_host, port=6379, db=0, password=redis_pass) r = redis.Redis(connection_pool=pool) return pool, rdef sha1(x): sha1obj = hashlib.sha1() sha1obj.update(x) hash_value = sha1obj.hexdigest() return hash_valuedef check_repeate(r, check_str, set_name): """ 向redis集合中添加元素,重复则返回0,不重复则添加成功,并返回1 :param r:redis连接 :param check_str:被添加的字符串 :param set_name:项目所使用的集合名称,建议如下格式:”projectname:task_remove_repeate“ """ hash_value = sha1(check_str) result = r.sadd(set_name, hash_value) return resultdef redis_close(pool): """ 释放redis连接池 """ pool.disconnect()if __name__ == '__main__': example()