Scrapy利用Redis实现消重存入MySQL(增量爬取)

官方去重:

scrapy官方文档的去重模块,只能实现对当前抓取数据的去重,并不会和数据库里的数据做对比。也就是说如果你抓了100条数据,里面有10条重复了,它会丢掉这10条,但100条里有20条和数据库的数据重复了,它也不管,照样存进去。

    class DuplicatesPipeline(object):
  
    def __init__(self):
        self.url_seen = set()

    def process_item(self, item, spider):
        if item['art_url'] in self.url_seen: #这里替换成你的item['#']
            raise DropItem("Duplicate item found: %s" % item)
           
        else:
            self.url_seen.add(item['art_url']) #这里替换成你的item['#']
            return item     

增量入库:

官方的去重比较简单,只要换成自己的item[‘#’],然后在settings里启用DuplicatesPipeline就可以了。

而我的需求要对一个网站长期爬取,所以要不断对比之前的抓取的内容,只需要存入新增的数据即可,网上搜了一下,scrapy做增量爬取的资料并不多,有人列出四种方法,相对理想的方法是使用redis来解决。找到一篇使用redis去重的教程,和自己的需求很像,但之前没用过redis,摸索了半天,终于搞明白了。下面是自己的使用心得,写在注释里了,供大家参考:

import mysql.connector
import pandas as pd  #用来读MySQL
import redis 
redis_db = redis.Redis(host='127.0.0.1', port=6379, db=4) #连接redis,相当于MySQL的conn
redis_data_dict = "f_url"  #key的名字,写什么都可以,这里的key相当于字典名称,而不是key值。


class DuplicatesPipeline(object):
    conn = mysql.connector.connect(user = 'root', password='yourpassword', database='dbname', charset='utf8')    

    def __init__(self):
        redis_db.flushdb() #删除全部key,保证key为0,不然多次运行时候hlen不等于0,刚开始这里调试的时候经常出错。
        if redis_db.hlen(redis_data_dict) == 0: #
            sql = "SELECT url FROM your_table_name;"  #从你的MySQL里提数据,我这里取url来去重。
            df = pd.read_sql(sql, self.conn) #读MySQL数据
            for url in df['url'].get_values(): #把每一条的值写入key的字段里
                redis_db.hset(redis_data_dict, url, 0) #把key字段的值都设为0,你要设成什么都可以,因为后面对比的是字段,而不是值。


    def process_item(self, item, spider):
        if redis_db.hexists(redis_data_dict, item['url']): #取item里的url和key里的字段对比,看是否存在,存在就丢掉这个item。不存在返回item给后面的函数处理
             raise DropItem("Duplicate item found: %s" % item)

        return item```


重点说一下,虽然redis是一个键值对应的数据库,但这里为了速度用的是哈希(hash),和一般的字典不一样,比一般的字典多了个字段。详细可以看这个[教程](http://www.runoob.com/redis/redis-hashes.html),重点看hexists,hset,hlen,hgetall这几个,在终端里运行一下就明白了。教程里都是命令行运行,和python里的用法稍微有点不一样。

redis哈希结构:
结构:key field(字段) value
对应:redis_data_dict   url(实际的url)   0(代码里设置成了0)
而item里key是'url' value是实际的url
######相当于用key(redis_data_dict)的字段(url)来对比item['url']的值,存在为1(true),不存在就是0(false),我开始也是这里晕的,后来打印出来才明白了。

如果要用:
把conn数据库连接换成自己的
修改sql语句,df['url']
然后把item['url']换成自己的,就可以了。

可以在程序中间加入print,把每一步打印出来,看数值是什么就容易懂了。

最后,感谢这位小伙伴的文章,帮我解决的问题~
####参考文章:
[Scrapy结合Redis实现增量爬取](http://www.jianshu.com/p/7b6c1754ee73)













    原文作者:银河星海
    原文地址: https://www.jianshu.com/p/f03479b9222d
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞