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PIL模块实现给图片打水印的方法
May 22 Python
python实现统计代码行数的方法
May 22 Python
在Ubuntu系统下安装使用Python的GUI工具wxPython
Feb 18 Python
Python+Pandas 获取数据库并加入DataFrame的实例
Jul 25 Python
Python读取YUV文件,并显示的方法
Dec 04 Python
使用python获取(宜宾市地震信息)地震信息
Jun 20 Python
python实现关闭第三方窗口的方法
Jun 28 Python
wxPython色环电阻计算器
Nov 18 Python
tornado+celery的简单使用详解
Dec 21 Python
Python json格式化打印实现过程解析
Jul 21 Python
Python CategoricalDtype自定义排序实现原理解析
Sep 11 Python
Python+kivy BoxLayout布局示例代码详解
Dec 28 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
php接口与接口引用的深入解析
2013/08/09 PHP
CI框架安全类Security.php源码分析
2014/11/04 PHP
php文件上传 你真的掌握了吗
2016/11/28 PHP
Yii框架分页实现方法详解
2017/05/20 PHP
PHP 代码简洁之道(小结)
2019/10/16 PHP
PHP中abstract(抽象)、final(最终)和static(静态)原理与用法详解
2020/06/05 PHP
Javascript 事件流和事件绑定
2009/07/16 Javascript
js实现网站首页图片滚动显示
2013/02/04 Javascript
jquery实现简单文字提示效果
2015/12/02 Javascript
AngularJS中处理多个promise的方式
2016/02/02 Javascript
Vue表单实例代码
2016/09/05 Javascript
js实现带缓动动画的导航栏效果
2017/01/16 Javascript
JavaScript使用ZeroClipboard操作剪切板
2017/05/10 Javascript
js中如何完美的解析数据
2018/03/18 Javascript
bootstrap中selectpicker下拉框使用方法实例
2018/03/22 Javascript
vue.js内置组件之keep-alive组件使用
2018/07/10 Javascript
[34:41]夜魇凡尔赛茶话会 第二期02:你画我猜
2021/03/11 DOTA
Django 使用Ajax进行前后台交互的示例讲解
2018/05/28 Python
Django实现auth模块下的登录注册与注销功能
2019/10/10 Python
PyTorch中topk函数的用法详解
2020/01/02 Python
Tensorflow Summary用法学习笔记
2020/01/10 Python
Pytorch模型转onnx模型实例
2020/01/15 Python
浅谈Python中的异常和JSON读写数据的实现
2020/02/27 Python
Python爬虫获取豆瓣电影并写入excel
2020/07/31 Python
python调用百度AI接口实现人流量统计
2021/02/03 Python
香奈儿美国官网:CHANEL美国
2020/05/20 全球购物
服装行业创业计划书范文
2014/02/05 职场文书
消防应急演练方案
2014/02/12 职场文书
政法干警核心价值观心得体会
2014/09/11 职场文书
党的群众路线教育实践活动个人整改落实情况汇报
2014/10/28 职场文书
2014法制宣传日活动总结范文
2014/11/01 职场文书
机器人总动员观后感
2015/06/09 职场文书
城南旧事电影观后感
2015/06/16 职场文书
文化苦旅读书笔记
2015/06/29 职场文书
JavaScript如何优化逻辑判断代码详解
2021/06/08 Javascript
深入讲解数据库中Decimal类型的使用以及实现方法
2022/02/15 MySQL