浅谈增量式爬虫
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=192.168.0.100 pass=123@123
import sys import hashlib import os import codecs import ConfigParser import 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, r def sha1(x): sha1obj = hashlib.sha1() sha1obj.update(x) hash_value = sha1obj.hexdigest() return hash_value def 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 result def redis_close(pool): """ 释放redis连接池 """ pool.disconnect() if __name__ == '__main__': example()