python實現scrapy爬蟲每天定時抓取數據的示例代碼
1. 前言。
1.1. 需求背景。
- 每天抓取的是同一份商品的數據,用來做趨勢分析。
- 要求每天都需要抓一份,也僅限抓取一份數據。
- 但是整個爬取數據的過程在時間上並不確定,受本地網絡,代理速度,抓取數據量有關,一般情況下在20小時左右,極少情況下會超過24小時。
1.2. 實現功能。
通過以下三步,保證爬蟲能自動隔天抓取數據:
每天凌晨00:01啟動監控腳本,監控爬蟲的運行狀態,一旦爬蟲進入空閑狀態,啟動爬蟲。
一旦爬蟲執行完畢,自動退出腳本,結束今天的任務。
一旦腳本距離啟動時間超過24小時,自動退出腳本,等待第二天的監控腳本啟動,重復這三步。
2. 環境。
python 3.6.1
系統:win7
IDE:pycharm
安裝過scrapy
3. 設計思路。
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(控制腳本的存活時間為24小時),監測爬蟲的運行狀態(需要用一個標記信息來表示爬蟲的狀態:運行還是停止)。
- 如果爬蟲處於運行狀態(前一天爬取數據尚未結束),進入第(2)步;
- 如果爬蟲處於非運行狀態(前一天的爬取任務已完成,今天的尚未開始),進入第(3)步;
(2)腳本進入等待階段,每隔10分鐘,檢查一下爬蟲的運行狀態,如(1)。但是一旦發現,腳本的等待時間超過瞭24小時,則自動退出腳本,因為第二天的監測腳本已經開始運行瞭,接替瞭它的任務。
(3)做一些爬蟲啟動前的準備工作(刪除用來續爬的文件,防止爬蟲不運行瞭),啟動爬蟲爬取數據,待爬蟲正常結束後,退出腳本,完成當天的爬取任務。
4. 準備工作。
4.1. 標記爬蟲的運行狀態。
通過判斷文件是否存在的方式來判斷爬蟲是否處於運行狀態:
- 在爬蟲啟動時,創建一個isRunning.txt文件。
- 在爬蟲結束時,刪除這個isRunning.txt文件。
那麼isRunning.txt存在,就說明爬蟲正在運行;文件不存在,就說明爬蟲不在運行。
# 文件pipelines.py # 爬蟲啟動時 checkFile = "isRunning.txt" class myPipeline: def open_spider(self, spider): self.client = MongoClient('localhost:27017') # 連接Mongodb self.db = self.client['mydata'] # 待存儲數據的數據庫mydata f = open(checkFile, "w") # 創建一個文件,代表爬蟲在運行中 f.close()
# 文件pipelines.py # 爬蟲正常結束時 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. 爬蟲支持續爬,能隨時暫停,方便調試。
# 在scrapy項目中添加start.py文件,用於啟動爬蟲 from scrapy import cmdline # 在爬蟲運行過程中,會自動將狀態信息存儲在crawls/storeMyRequest目錄下,支持續爬 cmdline.execute('scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest'.split()) # Note:若想支持續爬,在ctrl+c終止爬蟲時,隻能按一次,爬蟲在終止時需要進行善後工作,切勿連續多次按ctrl+c
4.3. Log按照每天的日期命名,方便查看和調試
設置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 # ...... 在爬蟲內部用custom_setting可以讓這個配置信息僅對這一個爬蟲生效 }
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. 為數據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'] # 待存儲數據的數據庫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. 實現代碼
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" # 這是為瞭爬蟲能夠續爬而創建的目錄,存儲續爬需要的數據 checkFile = "isRunning.txt" # 爬蟲是否在運行的標志 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 #爬蟲結束之後,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,自動退出監控腳本 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. 添加計劃任務。
參考以下這篇博客部署windows計劃任務:
https://www.jb51.net/article/204879.htm
有關windows計劃任務相關設置的詳細說明如下:
https://technet.microsoft.com/zh-cn/library/cc722178.aspx
6.2. 註意事項。
(1)在添加計劃任務時,要按照如下圖進行勾選(隻在用戶登錄時運行),才能彈出下面的cmd任務界面,方便觀察和調試。
(2)由於爬蟲運行時間很長,如果按照默認設置,在凌晨運行實例時,上一次啟動尚未結束,會導致這次啟動失敗,所以要更改默認設置為(如果此任務已經運行:並行運行新實例。保護機制在於每個啟動腳本在等待24小時候會自動退出,來保證不會重復啟動)。
(3)如果想支持續傳,隻能按一次 ctrl + c 來停止爬蟲運行。因為終止爬蟲時,爬蟲需要做一些善後工作,如果連續按多次ctrl + c來停止爬蟲,爬蟲將來不及善後,會導致無法續爬。 6.3. 效果展示。
正常執行完成:
正在執行中:
到此這篇關於python實現scrapy爬蟲每天定時抓取數據的示例代碼的文章就介紹到這瞭,更多相關python scrapy定時抓取內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Python爬蟲教程使用Scrapy框架爬取小說代碼示例
- 一文讀懂python Scrapy爬蟲框架
- Python爬蟲Scrapy框架IP代理的配置與調試
- Python Scrapy爬蟲框架使用示例淺析
- python實現Scrapy爬取網易新聞