python实现scrapy爬虫每天定时抓取数据

python实现scrapy爬虫每天定时抓取数据

1. 前言。

1.1. 需求背景。

• 每天抓取的是同一份商品的数据，用来做趋势分析。
• 要求每天都需要抓一份，也仅限抓取一份数据。
• 但是整个爬取数据的过程在时间上并不确定，受本地网络，代理速度，抓取数据量有关，一般情况下在20小时左右，极少情况下会超过24小时。

1.2. 实现功能。

• 通过以下三步，保证爬虫能自动隔天抓取数据：
  
  • 每天凌晨00：01启动监控脚本，监控爬虫的运行状态，一旦爬虫进入空闲状态，启动爬虫。
  • 一旦爬虫执行完毕，自动退出脚本，结束今天的任务。
  • 一旦脚本距离启动时间超过24小时，自动退出脚本，等待第二天的监控脚本启动，重复这三步。

2. 环境。

• python 3.6.1
• 系统：win7
• IDE：pycharm
• 安装过scrapy

3. 设计思路。

3.1. 前提：目前爬虫是通过scrapy模块自带的cmdline.execute来启动的。

from scrapy import cmdline
cmdline.execute('scrapy crawl mySpider'.split())

3.2. 将自动执行脚本做到scrapy爬虫的外部

• （1）每天凌晨00：01启动脚本（控制脚本的存活时间为24小时），监测爬虫的运行状态（需要用一个标记信息来表示爬虫的状态：运行还是停止）。
  
  • 如果爬虫处于运行状态（前一天爬取数据尚未结束），进入第（2）步；
  • 如果爬虫处于非运行状态（前一天的爬取任务已完成，今天的尚未开始），进入第（3）步；
• （2）脚本进入等待阶段，每隔10分钟，检查一下爬虫的运行状态，如（1）。但是一旦发现，脚本的等待时间超过了24小时，则自动退出脚本，因为第二天的监测脚本已经开始运行了，接替了它的任务。
• （3）做一些爬虫启动前的准备工作（删除用来续爬的文件，防止爬虫不运行了），启动爬虫爬取数据，待爬虫正常结束后，退出脚本，完成当天的爬取任务。

4. 准备工作。

4.1. 标记爬虫的运行状态。

通过判断文件是否存在的方式来判断爬虫是否处于运行状态：

• 在爬虫启动时，创建一个isRunning.txt文件。
• 在爬虫结束时，删除这个isRunning.txt文件。

那么isRunning.txt存在，就说明爬虫正在运行；文件不存在，就说明爬虫不在运行。

# 文件pipelines.py
# 爬虫启动时
checkFile = "isRunning.txt"
class myPipeline:
    def open_spider(self, spider):
        self.client = MongoClient('localhost:27017')  # 连接Mongodb
        self.db = self.client['mydata']               # 待存储数据的数据库mydata
        f = open(checkFile, "w")          # 创建一个文件，代表爬虫在运行中
        f.close()

# 文件pipelines.py
# 爬虫正常结束时
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. 爬虫支持续爬，能随时暂停，方便调试。

# 在scrapy项目中添加start.py文件，用于启动爬虫
from scrapy import cmdline
# 在爬虫运行过程中，会自动将状态信息存储在crawls/storeMyRequest目录下，支持续爬
cmdline.execute('scrapy crawl mySpider -s JOBDIR=crawls/storeMyRequest'.split())
# Note:若想支持续爬，在ctrl+c终止爬虫时，只能按一次，爬虫在终止时需要进行善后工作，切勿连续多次按ctrl+c

4.3. Log按照每天的日期命名，方便查看和调试

• 设置Log等级：

# 文件mySpider.py
class mySpider(CrawlSpider):
    name = "mySpider"
    allowed_domains = ['http://photo.poco.cn/']
    custom_settings = {
        'LOG_LEVEL':'INFO',  # 减少Log输出量，仅保留必要的信息
        # ...... 在爬虫内部用custom_setting可以让这个配置信息仅对这一个爬虫生效
    }

• 以日期为Log文件命名

# 文件settings.py
import datetime
BOT_NAME = 'mySpider'
ROBOTSTXT_OBEY = False
startDate = datetime.datetime.now().strftime('%Y%m%d')
LOG_FILE=f"mySpiderlog{startDate}.txt"

4.4. 为数据按日期存储到不同的表（mongodb的集合）中

# 文件pipelines.py
import datetime
GALANCE=f'galance{datetime.datetime.now().strftime("%Y%m%d")}'  # 表名

class myPipeline:
    def open_spider(self, spider):
        self.client = MongoClient('localhost:27017')  # 连接Mongodb
        self.db = self.client['mydata']               # 待存储数据的数据库mydata

self.db[GALANCE].insert(dict(item))

4.5. 编写批处理文件启动爬虫

# 文件run.bat
cd /d F:/newClawer20170831/mySpider
call python main.py
pause

5. 实现代码

5.1. 编写python脚本

# 文件timerStartDaily.py
from scrapy import cmdline
import datetime
import time
import shutil
import os

recoderDir = r"crawls"   # 这是为了爬虫能够续爬而创建的目录，存储续爬需要的数据
checkFile = "isRunning.txt"  # 爬虫是否在运行的标志

startTime = datetime.datetime.now()
print(f"startTime = {startTime}")

i = 0
miniter = 0
while True:
    isRunning = os.path.isfile(checkFile)
    if not isRunning:                       # 爬虫不在执行，开始启动爬虫
        # 在爬虫启动之前处理一些事情，清掉JOBDIR = crawls
        isExsit = os.path.isdir(recoderDir)  # 检查JOBDIR目录crawls是否存在
        print(f"mySpider not running, ready to start. isExsit:{isExsit}")
        if isExsit:
            removeRes = shutil.rmtree(recoderDir)  # 删除续爬目录crawls及目录下所有文件
            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  #爬虫结束之后，退出脚本
    else:
        print(f"At time:{datetime.datetime.now()}, mySpider is running, sleep to wait.")
    i += 1
    time.sleep(600)        # 每10分钟检查一次
    miniter += 10
    if miniter >= 1440:    # 等待满24小时，自动退出监控脚本
        break

5.2. 编写bat批处理文件

# 文件runTimerRunDaily.bat
cd /d F:/newClawer20170831/mySpider
call python timerStartDaily.py
pause

6. 部署。

6.1. 添加计划任务。

参考以下这篇博客部署windows计划任务：

http://blog.csdn.net/zwq912318834/article/details/77280573

有关windows计划任务相关设置的详细说明如下：

https://technet.microsoft.com/zh-cn/library/cc722178.aspx

6.2. 注意事项。

• （1）在添加计划任务时，要按照如下图进行勾选（只在用户登录时运行），才能弹出下面的cmd任务界面，方便观察和调试。
  
  
• （2）由于爬虫运行时间很长，如果按照默认设置，在凌晨运行实例时，上一次启动尚未结束，会导致这次启动失败，所以要更改默认设置为（如果此任务已经运行：并行运行新实例。保护机制在于每个启动脚本在等待24小时候会自动退出，来保证不会重复启动）。
  
• （3）如果想支持续传，只能按一次 ctrl + c 来停止爬虫运行。因为终止爬虫时，爬虫需要做一些善后工作，如果连续按多次ctrl + c来停止爬虫，爬虫将来不及善后，会导致无法续爬。

6.3. 效果展示。

• 正常执行完成：
  

• 正在执行中：