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

這裡寫圖片描述

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))

這裡寫圖片描述

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

這裡寫圖片描述

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。

這裡寫圖片描述 

這裡寫圖片描述

(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)。

這裡寫圖片描述

(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:

這裡寫圖片描述

正在執行中:

這裡寫圖片描述

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: