python 爬虫 实现增量去重和定时爬取实例


Posted in Python onFebruary 28, 2020

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,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python使用多线程不断刷新网页的方法
Mar 31 Python
Python上传package到Pypi(代码简单)
Feb 06 Python
python实现FTP服务器服务的方法
Apr 11 Python
python+selenium+autoit实现文件上传功能
Aug 23 Python
如何使用VSCode愉快的写Python于调试配置步骤
Apr 06 Python
解决python打不开文件(文件不存在)的问题
Feb 18 Python
django删除表重建的实现方法
Aug 28 Python
python 并发下载器实现方法示例
Nov 22 Python
Python+Redis实现布隆过滤器
Dec 08 Python
Pycharm中Python环境配置常见问题解析
Jan 16 Python
Python CategoricalDtype自定义排序实现原理解析
Sep 11 Python
python实现网络五子棋
Apr 11 Python
浅谈python元素如何去重,去重后如何保持原来元素的顺序不变
Feb 28 #Python
python GUI库图形界面开发之PyQt5日期时间控件QDateTimeEdit详细使用方法与实例
Feb 27 #Python
Python递归求出列表(包括列表中的子列表)的最大值实例
Feb 27 #Python
python GUI库图形界面开发之PyQt5下拉列表框控件QComboBox详细使用方法与实例
Feb 27 #Python
Python 之 Json序列化嵌套类方式
Feb 27 #Python
python GUI库图形界面开发之PyQt5访问系统剪切板QClipboard类详细使用方法与实例
Feb 27 #Python
python GUI库图形界面开发之PyQt5控件数据拖曳Drag与Drop详细使用方法与实例
Feb 27 #Python
You might like
我的论坛源代码(二)
2006/10/09 PHP
PHP实现网上点歌(二)
2006/10/09 PHP
php 表单数据的获取代码
2009/03/10 PHP
浅析PHP程序防止ddos,dns,集群服务器攻击的解决办法
2013/06/18 PHP
Windows平台实现PHP连接SQL Server2008的方法
2017/07/26 PHP
PHP实现将base64编码字符串转换成图片示例
2018/06/22 PHP
PHP执行系统命令函数实例讲解
2021/03/03 PHP
Jquery ajax传递复杂参数给WebService的实现代码
2011/08/08 Javascript
JS函数重载的解决方案
2014/05/13 Javascript
JavaScript fontcolor方法入门实例(按照指定的颜色来显示字符串)
2014/10/17 Javascript
谈谈基于iframe、FormData、FileReader三种无刷新上传文件的方法
2015/12/03 Javascript
深入解析AngularJS框架中$scope的作用与生命周期
2016/03/05 Javascript
又一枚精彩的弹幕效果jQuery实现
2016/07/25 Javascript
JavaScript无操作后屏保功能的实现方法
2017/07/04 Javascript
JavaScript实现短信倒计时60s
2017/10/09 Javascript
JS使用正则表达式获取小括号、中括号及花括号内容的方法示例
2018/06/01 Javascript
Node.js Windows Binary二进制文件安装方法
2019/05/16 Javascript
微信小程序中为什么使用var that=this
2019/08/27 Javascript
Vue中使用Echarts仪表盘展示实时数据的实现
2020/11/01 Javascript
JS实现点击掉落特效
2021/01/29 Javascript
[05:16]《大圣!大圣》——DOTA2新英雄齐天大圣配音李世宏老师专访
2016/12/13 DOTA
[41:52]DOTA2-DPC中国联赛 正赛 CDEC vs Dynasty BO3 第二场 2月22日
2021/03/11 DOTA
Python3中使用PyMongo的方法详解
2017/07/28 Python
python 并发编程 阻塞IO模型原理解析
2019/08/20 Python
Python函数的迭代器与生成器的示例代码
2020/06/18 Python
使用Nibabel库对nii格式图像的读写操作
2020/07/01 Python
HTML5实现多张图片上传功能
2016/03/11 HTML / CSS
New Balance法国官方网站:购买鞋子和服装
2019/09/01 全球购物
世嘉游戏英国官方商店:SEGA Shop UK
2019/09/20 全球购物
联想阿根廷官方网站:Lenovo Argentina
2019/10/14 全球购物
澳大利亚美容产品及化妆品在线:Activeskin
2020/06/03 全球购物
中国电子产品批发商/跨境电商/外贸网:Sunsky-online
2020/04/20 全球购物
工作表现自我评价
2014/02/08 职场文书
在校大学生自我评价范文
2014/09/12 职场文书
2014年平安夜寄语
2014/12/08 职场文书
房产公证书格式
2015/01/26 职场文书