python實(shí)現(xiàn)scrapy爬蟲(chóng)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(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)。
1.2. 實(shí)現(xiàn)功能。
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。
2. 環(huán)境。
python 3.6.1
系統(tǒng):win7
IDE:pycharm
安裝過(guò)scrapy
3. 設(shè)計(jì)思路。
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)。
4. 準(zhǔn)備工作。
4.1. 標(biāo)記爬蟲(chóng)的運(yùn)行狀態(tài)。
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)
4.2. 爬蟲(chóng)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(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

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(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))

4.5. 編寫(xiě)批處理文件啟動(dòng)爬蟲(chóng)
# 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(xiě)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(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(mǎn)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. 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.fzitv.net/article/204879.htm
有關(guān)windows計(jì)劃任務(wù)相關(guān)設(shè)置的詳細(xì)說(shuō)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(hù)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:

到此這篇關(guān)于python實(shí)現(xiàn)scrapy爬蟲(chóng)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(qǐng)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+OpenCV進(jìn)行人臉面部表情識(shí)別
這篇文章主要介紹了通過(guò)Python OpenCV實(shí)現(xiàn)對(duì)人臉面部表情識(shí)別,判斷人是否為笑臉,文中的示例代碼非常詳細(xì),需要的朋友可以參考一下2021-12-12
使用python BeautifulSoup庫(kù)抓取58手機(jī)維修信息
這篇文章主要介紹了一個(gè)使用python抓取58手機(jī)的精準(zhǔn)商家信息,使用BeautifulSoup API的方法2013-11-11
python中enumerate函數(shù)用法實(shí)例分析
這篇文章主要介紹了python中enumerate函數(shù)用法,以實(shí)例形式較為詳細(xì)的分析了enumerate函數(shù)的功能、定義及使用技巧,需要的朋友可以參考下2015-05-05
Python lxml解析HTML并用xpath獲取元素的方法
今天小編就為大家分享一篇Python lxml解析HTML并用xpath獲取元素的方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-01-01
tesseract庫(kù)及訓(xùn)練數(shù)據(jù)下載安裝方式
這篇文章主要介紹了tesseract庫(kù)及訓(xùn)練數(shù)據(jù)下載安裝方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02

