python 爬虫 实现增量去重和定时爬取实例

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

以上这篇python 爬虫 实现增量去重和定时爬取实例就是小编分享给大家的全部内容了，希望能给大家一个参考

您可能感兴趣的文章:

• python爬虫开发之使用python爬虫库requests，urllib与今日头条搜索功能爬取搜索内容实例
• python爬虫开发之selenium模块详细使用方法与实例全解
• python爬虫开发之PyQuery模块详细使用方法与实例全解
• python爬虫开发之urllib模块详细使用方法与实例全解
• python爬虫开发之Request模块从安装到详细使用方法与实例全解
• Python爬虫程序架构和运行流程原理解析
• python爬虫开发之Beautiful Soup模块从安装到详细使用方法与实例
• Python网络爬虫信息提取mooc代码实例
• Python爬虫实现模拟点击动态页面
• Python反爬虫伪装浏览器进行爬虫
• python爬虫库scrapy简单使用实例详解
• 详解python 破解网站反爬虫的两种简单方法
• python爬虫模块URL管理器模块用法解析
• 使用Python爬虫库BeautifulSoup遍历文档树并对标签进行操作详解
• Python爬虫库BeautifulSoup获取对象(标签)名,属性,内容,注释
• Python爬虫库BeautifulSoup的介绍与简单使用实例
• 使用Python爬虫库requests发送表单数据和JSON数据
• python爬虫开发之使用Python爬虫库requests多线程抓取猫眼电影TOP100实例