python實現(xiàn)scrapy爬蟲每天定時抓取數(shù)據(jù)的示例代碼
通過以下三步，保證爬蟲能自動隔天抓取數(shù)據(jù)： 每天凌晨00：01啟動監(jiān)控腳本，監(jiān)控爬蟲的運行狀態(tài)，一旦爬蟲進入空閑狀態(tài)，啟動爬蟲。
一旦爬蟲執(zhí)行完畢，自動退出腳本，結(jié)束今天的任務(wù)。
一旦腳本距離啟動時間超過24小時，自動退出腳本，等待第二天的監(jiān)控腳本啟動，重復(fù)這三步。
2. 環(huán)境。python 3.6.1
系統(tǒng)：win7
IDE：pycharm
安裝過scrapy
3. 設(shè)計思路。3.1. 前提：
目前爬蟲是通過scrapy模塊自帶的cmdline.execute來啟動的。
from scrapy import cmdlinecmdline.execute(’scrapy crawl mySpider’.split())
3.2. 將自動執(zhí)行腳本做到scrapy爬蟲的外部
（1）每天凌晨00：01啟動腳本（控制腳本的存活時間為24小時），監(jiān)測爬蟲的運行狀態(tài)（需要用一個標(biāo)記信息來表示爬蟲的狀態(tài)：運行還是停止）。
如果爬蟲處于運行狀態(tài)（前一天爬取數(shù)據(jù)尚未結(jié)束），進入第（2）步； 如果爬蟲處于非運行狀態(tài)（前一天的爬取任務(wù)已完成，今天的尚未開始），進入第（3）步；（2）腳本進入等待階段，每隔10分鐘，檢查一下爬蟲的運行狀態(tài)，如（1）。但是一旦發(fā)現(xiàn)，腳本的等待時間超過了24小時，則自動退出腳本，因為第二天的監(jiān)測腳本已經(jīng)開始運行了，接替了它的任務(wù)。
（3）做一些爬蟲啟動前的準(zhǔn)備工作（刪除用來續(xù)爬的文件，防止爬蟲不運行了），啟動爬蟲爬取數(shù)據(jù)，待爬蟲正常結(jié)束后，退出腳本，完成當(dāng)天的爬取任務(wù)。
4. 準(zhǔn)備工作。4.1. 標(biāo)記爬蟲的運行狀態(tài)。通過判斷文件是否存在的方式來判斷爬蟲是否處于運行狀態(tài)：
在爬蟲啟動時，創(chuàng)建一個isRunning.txt文件。 在爬蟲結(jié)束時，刪除這個isRunning.txt文件。那么isRunning.txt存在，就說明爬蟲正在運行；文件不存在，就說明爬蟲不在運行。
# 文件pipelines.py# 爬蟲啟動時checkFile = 'isRunning.txt'class myPipeline: def open_spider(self, spider): self.client = MongoClient(’localhost:27017’) # 連接Mongodb self.db = self.client[’mydata’]# 待存儲數(shù)據(jù)的數(shù)據(jù)庫mydata f = open(checkFile, 'w') # 創(chuàng)建一個文件，代表爬蟲在運行中 f.close()
# 文件pipelines.py# 爬蟲正常結(jié)束時checkFile = 'isRunning.txt'class myPipeline: def close_spider(self, spider): self.client.close() isFileExsit = os.path.isfile(checkFile) if isFileExsit: os.remove(checkFile)4.2. 爬蟲支持續(xù)爬，能隨時暫停，方便調(diào)試。
# 在scrapy項目中添加start.py文件，用于啟動爬蟲from scrapy import cmdline# 在爬蟲運行過程中，會自動將狀態(tài)信息存儲在crawls/storeMyRequest目錄下，支持續(xù)爬cmdline.execute(’scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest’.split())# Note:若想支持續(xù)爬，在ctrl+c終止爬蟲時，只能按一次，爬蟲在終止時需要進行善后工作，切勿連續(xù)多次按ctrl+c
設(shè)置Log等級：
# 文件mySpider.pyclass mySpider(CrawlSpider): name = 'mySpider' allowed_domains = [’http://photo.poco.cn/’] custom_settings = { ’LOG_LEVEL’:’INFO’, # 減少Log輸出量，僅保留必要的信息 # ...... 在爬蟲內(nèi)部用custom_setting可以讓這個配置信息僅對這一個爬蟲生效 }
以日期為Log文件命名
# 文件settings.pyimport datetimeBOT_NAME = ’mySpider’ROBOTSTXT_OBEY = FalsestartDate = datetime.datetime.now().strftime(’%Y%m%d’)LOG_FILE=f'mySpiderlog{startDate}.txt'
4.4. 為數(shù)據(jù)按日期存儲到不同的表（mongodb的集合）中
# 文件pipelines.pyimport datetimeGALANCE=f’galance{datetime.datetime.now().strftime('%Y%m%d')}’ # 表名
class myPipeline: def open_spider(self, spider): self.client = MongoClient(’localhost:27017’) # 連接Mongodb self.db = self.client[’mydata’]# 待存儲數(shù)據(jù)的數(shù)據(jù)庫mydata
self.db[GALANCE].insert(dict(item))
# 文件run.batcd /d F:/newClawer20170831/mySpidercall python main.pypause
# 文件timerStartDaily.pyfrom scrapy import cmdlineimport datetimeimport timeimport shutilimport osrecoderDir = r'crawls' # 這是為了爬蟲能夠續(xù)爬而創(chuàng)建的目錄，存儲續(xù)爬需要的數(shù)據(jù)checkFile = 'isRunning.txt' # 爬蟲是否在運行的標(biāo)志startTime = datetime.datetime.now()print(f'startTime = {startTime}')i = 0miniter = 0while True: isRunning = os.path.isfile(checkFile) if not isRunning: # 爬蟲不在執(zhí)行，開始啟動爬蟲 # 在爬蟲啟動之前處理一些事情，清掉JOBDIR = crawls isExsit = os.path.isdir(recoderDir) # 檢查JOBDIR目錄crawls是否存在 print(f'mySpider not running, ready to start. isExsit:{isExsit}') if isExsit: removeRes = shutil.rmtree(recoderDir) # 刪除續(xù)爬目錄crawls及目錄下所有文件 print(f'At time:{datetime.datetime.now()}, delete res:{removeRes}') else: print(f'At time:{datetime.datetime.now()}, Dir:{recoderDir} is not exsit.') time.sleep(20) clawerTime = datetime.datetime.now() waitTime = clawerTime - startTime print(f'At time:{clawerTime}, start clawer: mySpider !!!, waitTime:{waitTime}') cmdline.execute(’scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest’.split()) break #爬蟲結(jié)束之后，退出腳本 else: print(f'At time:{datetime.datetime.now()}, mySpider is running, sleep to wait.') i += 1 time.sleep(600) # 每10分鐘檢查一次 miniter += 10 if miniter >= 1440: # 等待滿24小時，自動退出監(jiān)控腳本 break
5.2. 編寫bat批處理文件
# 文件runTimerRunDaily.batcd /d F:/newClawer20170831/mySpidercall python timerStartDaily.pypause6. 部署。6.1. 添加計劃任務(wù)。
參考以下這篇博客部署windows計劃任務(wù)：
https://www.jb51.net/article/204879.htm
有關(guān)windows計劃任務(wù)相關(guān)設(shè)置的詳細(xì)說明如下：
https://technet.microsoft.com/zh-cn/library/cc722178.aspx
6.2. 注意事項。（1）在添加計劃任務(wù)時，要按照如下圖進行勾選（只在用戶登錄時運行），才能彈出下面的cmd任務(wù)界面，方便觀察和調(diào)試。
（2）由于爬蟲運行時間很長，如果按照默認(rèn)設(shè)置，在凌晨運行實例時，上一次啟動尚未結(jié)束，會導(dǎo)致這次啟動失敗，所以要更改默認(rèn)設(shè)置為（如果此任務(wù)已經(jīng)運行：并行運行新實例。保護機制在于每個啟動腳本在等待24小時候會自動退出，來保證不會重復(fù)啟動）。
（3）如果想支持續(xù)傳，只能按一次 ctrl + c 來停止爬蟲運行。因為終止爬蟲時，爬蟲需要做一些善后工作，如果連續(xù)按多次ctrl + c來停止爬蟲，爬蟲將來不及善后，會導(dǎo)致無法續(xù)爬。 6.3. 效果展示。
正常執(zhí)行完成：
正在執(zhí)行中：
到此這篇關(guān)于python實現(xiàn)scrapy爬蟲每天定時抓取數(shù)據(jù)的示例代碼的文章就介紹到這了,更多相關(guān)python scrapy定時抓取內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！
相關(guān)文章：
網(wǎng)公網(wǎng)安備