What is 增量式爬虫?

　　用来 监测 网站数据更新的情况,只会爬取网站中更新出来的新数据

增量式爬虫的核心

　　去重,因为你爬取到的数据是不可以出现重复的

怎么进行增量式爬取呢?

• 在发送请求之前判断这个URL是不是之前爬取过
• 在解析内容后判断这部分内容是不是之前爬取过
• 写入存储到 redis 时判断内容是不是已经在介质中存在
  #总结分析    对比三种方式增量爬取的核心是去重， 至于去重的操作在哪个步骤起作用，只能说各有利弊。在我看来，前两种思路需要根据实际情况取一个（也可能都用）。#第一种思路适合不断有新页面出现的网站，比如说小说的新章节，每天的最新新闻等等；#第二种思路则适合页面内容会更新的网站。#第三个思路是相当于是最后的一道防线。这样做可以最大程度上达到去重的目的。

去重方法

1. 将爬取过程中产生的url进行存储，存储在redis的set中。当下次进行数据爬取时，首先对即将要发起的请求对应的url在存储的url的set中做判断，如果存在则不进行请求，否则才进行请求。

2. 对爬取到的网页内容进行唯一标识的制定，然后将该唯一表示存储至redis的set中。当下次爬取到网页数据的时候，在进行持久化存储之前，首先可以先判断该数据的唯一标识在redis的set中是否存在，在决定是否进行持久化存储。

项目实例

demo1 爬取4567tv网站中所有的电影详情数据

spider.pyimport scrapyfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom redis import Redisfrom incrementPro.items import IncrementproItemclass MovieSpider(CrawlSpider):    name = 'movie'    # allowed_domains = ['www.xxx.com']    start_urls = ['http://www.4567tv.tv/frim/index7-11.html']    rules = (        Rule(LinkExtractor(allow=r'/frim/index7-\d+\.html'), callback='parse_item', follow=True),    )    #创建redis链接对象    conn = Redis(host='127.0.0.1',port=6379)    def parse_item(self, response):        li_list = response.xpath('//li[@class="p1 m1"]')        for li in li_list:            #获取详情页的url            detail_url = 'http://www.4567tv.tv'+li.xpath('./a/@href').extract_first()            #将详情页的url存入redis的set中            ex = self.conn.sadd('urls',detail_url)            if ex == 1:                print('该url没有被爬取过，可以进行数据的爬取')                yield scrapy.Request(url=detail_url,callback=self.parst_detail)            else:                print('数据还没有更新，暂无新数据可爬取！')    #解析详情页中的电影名称和类型，进行持久化存储    def parst_detail(self,response):        item = IncrementproItem()        item['name'] = response.xpath('//dt[@class="name"]/text()').extract_first()        item['kind'] = response.xpath('//div[@class="ct-c"]/dl/dt[4]//text()').extract()        item['kind'] = ''.join(item['kind'])        yield itempipeline.pyfrom redis import Redisclass IncrementproPipeline(object):    conn = None    def open_spider(self,spider):        self.conn = Redis(host='127.0.0.1',port=6379)    def process_item(self, item, spider):        dic = {            'name':item['name'],            'kind':item['kind']        }        print(dic)        self.conn.lpush('movieData',dic)        return item

demo2 爬取糗事百科中的段子和作者数据。

spider.pyimport scrapyfrom scrapy.linkextractors import LinkExtractorfrom scrapy.spiders import CrawlSpider, Rulefrom incrementByDataPro.items import IncrementbydataproItemfrom redis import Redisimport hashlibclass QiubaiSpider(CrawlSpider):    name = 'qiubai'    # allowed_domains = ['www.xxx.com']    start_urls = ['https://www.qiushibaike.com/text/']    rules = (        Rule(LinkExtractor(allow=r'/text/page/\d+/'), callback='parse_item', follow=True),        Rule(LinkExtractor(allow=r'/text/$'), callback='parse_item', follow=True),    )    #创建redis链接对象    conn = Redis(host='127.0.0.1',port=6379)    def parse_item(self, response):        div_list = response.xpath('//div[@id="content-left"]/div')        for div in div_list:            item = IncrementbydataproItem()            item['author'] = div.xpath('./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()').extract_first()            item['content'] = div.xpath('.//div[@class="content"]/span/text()').extract_first()            #将解析到的数据值生成一个唯一的标识进行redis存储            source = item['author']+item['content']            source_id = hashlib.sha256(source.encode()).hexdigest()            #将解析内容的唯一表示存储到redis的data_id中            ex = self.conn.sadd('data_id',source_id)            if ex == 1:                print('该条数据没有爬取过，可以爬取......')                yield item            else:                print('该条数据已经爬取过了，不需要再次爬取了!!!')pipeline.pyfrom redis import Redisclass IncrementbydataproPipeline(object):    conn = None    def open_spider(self, spider):        self.conn = Redis(host='127.0.0.1', port=6379)    def process_item(self, item, spider):        dic = {            'author': item['author'],            'content': item['content']        }        # print(dic)        self.conn.lpush('qiubaiData', dic)        return item