python 爬虫 实现增量去重和定时爬取实例

作者:X_Special 时间:2022-01-26 01:01:37 

前言: 在爬虫过程中,我们可能需要重复的爬取同一个网站,为了避免重复的数据存入我们的数据库中 通过实现增量去重 去解决这一问题 本文还针对了那些需要实时更新的网站 增加了一个定时爬取的功能;

本文作者同开源中国(殊途同归_);

解决思路:

1.获取目标url

2.解析网页

3.存入数据库(增量去重)

4.异常处理

5.实时更新(定时爬取)

下面为数据库的配置 mysql_congif.py:


import pymysql

def insert_db(db_table, issue, time_str, num_code):
 host = '127.0.0.1'
 user = 'root'
 password = 'root'
 port = 3306
 db = 'lottery'
 data_base = pymysql.connect(host=host, user=user, password=password, port=port, db=db)
 cursor = data_base.cursor()
 try:
   sql = "INSERT INTO %s VALUES ('%s','%s','%s')" % (db_table, issue, time_str, num_code)
   cursor.execute(sql)
   data_base.commit()
 except ValueError as e:
   print(e)
   data_base.rollback()
 finally:
   cursor.close()
   data_base.close()

def select_db(issue, db_table):
 host = '127.0.0.1'
 user = 'root'
 password = 'root'
 port = 3306
 db = 'lottery'
 data_base = pymysql.connect(host=host, user=user, password=password, port=port, db=db)
 cursor = data_base.cursor()
 try:
   sql = "SELECT '%s' FROM %s " % (issue, db_table)
   cursor.execute(sql)
   data_base.commit()
 except ValueError as e:
   print(e)
   data_base.rollback()
 finally:
   return issue

接下来是主要代码 test.py:


# 使用bs4进行网页解析
# 实现了增量去重
# 实现了定时爬取
import datetime
import time

from bs4 import BeautifulSoup
import requests

from mysql_config import insert_db
from mysql_config import select_db

def my_test():
 db_table = 'lottery_table'
 url = 'http://kj.13322.com/kl10_dkl10_history_dtoday.html'
 res = requests.get(url)
 content = res.content
 soup = BeautifulSoup(content, 'html.parser', from_encoding='utf8')
 c_t = soup.select('#trend_table')[0]
 trs = c_t.contents[4:]
 for tr in trs:
   if tr == '\n':
     continue
   tds = tr.select('td')
   issue = tds[1].text
   time_str = tds[0].text
   num_code = tr.table.text.replace('\n0', ',').replace('\n', ',').strip(',')
   print('期号:%s\t时间:%s\t号码:%s' % (str(issue), str(time_str), str(num_code)))
   issue_db = select_db(issue, db_table)
   try:
     if issue_db == issue:
       insert_db(db_table, issue_db, time_str, num_code)
       print('添加%s到%s成功' % (issue_db, db_table))
   except Exception as e:
     print('%s 已经存在!' % issue_db)
     print(e)

if __name__ == '__main__':
 flag = 0
 now = datetime.datetime.now()
 sched_time = datetime.datetime(now.year, now.month, now.day, now.hour, now.minute, now.second) +\
        datetime.timedelta(seconds=3)
 while True:
   now = datetime.datetime.now()
   if sched_time < now:
     time.sleep(3)
     print(now)
     my_test()
     flag = 1
   else:
     if flag == 1:
       sched_time = sched_time + datetime.timedelta(minutes=2)
       flag = 0

来源:https://blog.csdn.net/X_Special/article/details/80989345

标签:python,爬虫,去重,爬取
0
投稿

猜你喜欢

  • python基础之定义类和对象详解

    2023-06-15 05:35:12
  • 改善IE6中a与a:hover的背景支持

    2009-11-27 18:50:00
  • 解决matplotlib库show()方法不显示图片的问题

    2021-08-25 19:53:34
  • Python基于回溯法子集树模板解决全排列问题示例

    2023-12-18 21:25:04
  • web.py在SAE中的Session问题解决方法(使用mysql存储)

    2024-01-28 02:17:15
  • PHP之CI框架学习讲解

    2023-07-03 21:25:13
  • Flask和pyecharts实现动态数据可视化

    2022-06-15 04:21:20
  • js编写的语法高亮引擎工具

    2008-05-25 13:27:00
  • Python+OpenCV图片局部区域像素值处理改进版详解

    2022-06-24 11:38:56
  • 详解在spring中使用JdbcTemplate操作数据库的几种方式

    2024-01-29 09:29:50
  • windows10在visual studio2019下配置使用openCV4.3.0

    2021-10-23 12:23:31
  • pycharm中leetcode插件使用图文详解

    2022-09-19 19:19:43
  • 基于Vue实现图书管理功能

    2024-04-27 16:16:59
  • OpenCV+python手势识别框架和实例讲解

    2021-09-06 19:47:43
  • golang实现整型和字节数组之间的转换操作

    2024-02-11 00:13:08
  • js刷新页面方法大全

    2023-08-06 21:05:34
  • python实现AI聊天机器人详解流程

    2022-12-11 23:57:37
  • python使用numpy实现直方图反向投影示例

    2022-09-18 11:28:55
  • JavaScript对象的property属性详解

    2024-05-05 09:22:57
  • conda虚拟环境默认路径的修改方法

    2022-07-02 03:14:50
  • asp之家 网络编程 m.aspxhome.com