1. 前言。1.1. 需求背景。 每天抓取的是同一份商品的數(shù)據(jù)，用來(lái)做趨勢(shì)分析。 要求每天都需要抓一份，也僅限抓取一份數(shù)據(jù)。 但是整個(gè)爬取數(shù)據(jù)的過(guò)程在時(shí)間上并不確定，受本地網(wǎng)絡(luò)，代理速度，抓取數(shù)據(jù)量有關(guān)，一般情況下在20小時(shí)左右，極少情況下會(huì)超過(guò)24小時(shí)。1.2. 實(shí)現(xiàn)功能。

通過(guò)以下三步，保證爬蟲能自動(dòng)隔天抓取數(shù)據(jù)： 每天凌晨00：01啟動(dòng)監(jiān)控腳本，監(jiān)控爬蟲的運(yùn)行狀態(tài)，一旦爬蟲進(jìn)入空閑狀態(tài)，啟動(dòng)爬蟲。

一旦爬蟲執(zhí)行完畢，自動(dòng)退出腳本，結(jié)束今天的任務(wù)。

一旦腳本距離啟動(dòng)時(shí)間超過(guò)24小時(shí)，自動(dòng)退出腳本，等待第二天的監(jiān)控腳本啟動(dòng)，重復(fù)這三步。

2. 環(huán)境。

python 3.6.1

系統(tǒng)：win7

IDE：pycharm

安裝過(guò)scrapy

3. 設(shè)計(jì)思路。

3.1. 前提：

目前爬蟲是通過(guò)scrapy模塊自帶的cmdline.execute來(lái)啟動(dòng)的。

from scrapy import cmdlinecmdline.execute(’scrapy crawl mySpider’.split())

3.2. 將自動(dòng)執(zhí)行腳本做到scrapy爬蟲的外部

（1）每天凌晨00：01啟動(dòng)腳本（控制腳本的存活時(shí)間為24小時(shí)），監(jiān)測(cè)爬蟲的運(yùn)行狀態(tài)（需要用一個(gè)標(biāo)記信息來(lái)表示爬蟲的狀態(tài)：運(yùn)行還是停止）。

如果爬蟲處于運(yùn)行狀態(tài)（前一天爬取數(shù)據(jù)尚未結(jié)束），進(jìn)入第（2）步； 如果爬蟲處于非運(yùn)行狀態(tài)（前一天的爬取任務(wù)已完成，今天的尚未開始），進(jìn)入第（3）步；

（2）腳本進(jìn)入等待階段，每隔10分鐘，檢查一下爬蟲的運(yùn)行狀態(tài)，如（1）。但是一旦發(fā)現(xiàn)，腳本的等待時(shí)間超過(guò)了24小時(shí)，則自動(dòng)退出腳本，因?yàn)榈诙斓谋O(jiān)測(cè)腳本已經(jīng)開始運(yùn)行了，接替了它的任務(wù)。

（3）做一些爬蟲啟動(dòng)前的準(zhǔn)備工作（刪除用來(lái)續(xù)爬的文件，防止爬蟲不運(yùn)行了），啟動(dòng)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(yùn)行狀態(tài)。

通過(guò)判斷文件是否存在的方式來(lái)判斷爬蟲是否處于運(yùn)行狀態(tài)：

在爬蟲啟動(dòng)時(shí)，創(chuàng)建一個(gè)isRunning.txt文件。 在爬蟲結(jié)束時(shí)，刪除這個(gè)isRunning.txt文件。

那么isRunning.txt存在，就說(shuō)明爬蟲正在運(yùn)行；文件不存在，就說(shuō)明爬蟲不在運(yùn)行。

# 文件pipelines.py# 爬蟲啟動(dòng)時(shí)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(chǔ)數(shù)據(jù)的數(shù)據(jù)庫(kù)mydata f = open(checkFile, 'w') # 創(chuàng)建一個(gè)文件，代表爬蟲在運(yùn)行中 f.close()

# 文件pipelines.py# 爬蟲正常結(jié)束時(shí)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(shí)暫停，方便調(diào)試。

# 在scrapy項(xiàng)目中添加start.py文件，用于啟動(dòng)爬蟲from scrapy import cmdline# 在爬蟲運(yùn)行過(guò)程中，會(huì)自動(dòng)將狀態(tài)信息存儲(chǔ)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(shí)，只能按一次，爬蟲在終止時(shí)需要進(jìn)行善后工作，切勿連續(xù)多次按ctrl+c

4.3. Log按照每天的日期命名，方便查看和調(diào)試

設(shè)置Log等級(jí)：

# 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(gè)配置信息僅對(duì)這一個(gè)爬蟲生效 }

以日期為L(zhǎng)og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(chǔ)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(chǔ)數(shù)據(jù)的數(shù)據(jù)庫(kù)mydata

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

4.5. 編寫批處理文件啟動(dòng)爬蟲

# 文件run.batcd /d F:/newClawer20170831/mySpidercall python main.pypause

5. 實(shí)現(xiàn)代碼5.1. 編寫python腳本

# 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(chǔ)續(xù)爬需要的數(shù)據(jù)checkFile = 'isRunning.txt' # 爬蟲是否在運(yùn)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(dòng)爬蟲 # 在爬蟲啟動(dòng)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(shí)，自動(dòng)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(jì)劃任務(wù)。

參考以下這篇博客部署windows計(jì)劃任務(wù)：

https://www.jb51.net/article/204879.htm

有關(guān)windows計(jì)劃任務(wù)相關(guān)設(shè)置的詳細(xì)說(shuō)明如下：

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

6.2. 注意事項(xiàng)。

（1）在添加計(jì)劃任務(wù)時(shí)，要按照如下圖進(jìn)行勾選（只在用戶登錄時(shí)運(yùn)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(yùn)行時(shí)間很長(zhǎng)，如果按照默認(rèn)設(shè)置，在凌晨運(yùn)行實(shí)例時(shí)，上一次啟動(dòng)尚未結(jié)束，會(huì)導(dǎo)致這次啟動(dòng)失敗，所以要更改默認(rèn)設(shè)置為（如果此任務(wù)已經(jīng)運(yùn)行：并行運(yùn)行新實(shí)例。保護(hù)機(jī)制在于每個(gè)啟動(dòng)腳本在等待24小時(shí)候會(huì)自動(dòng)退出，來(lái)保證不會(huì)重復(fù)啟動(dòng)）。

（3）如果想支持續(xù)傳，只能按一次 ctrl + c 來(lái)停止爬蟲運(yùn)行。因?yàn)?b>終止爬蟲時(shí)，爬蟲需要做一些善后工作，如果連續(xù)按多次ctrl + c來(lái)停止爬蟲，爬蟲將來(lái)不及善后，會(huì)導(dǎo)致無(wú)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(shí)現(xiàn)scrapy爬蟲每天定時(shí)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(shí)抓取內(nèi)容請(qǐng)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)！