python 爬蟲 實現增量去重和定時爬取例項

　　前言： 在爬蟲過程中，我們可能需要重複的爬取同一個網站，為了避免重複的資料存入我們的資料庫中 透過實現增量去重 去解決這一問題 本文還針對了那些需要實時更新的網站 增加了一個定時爬取的功能。

　　解決思路：

　　1.獲取目標url

　　2.解析網頁

　　3.存入資料庫(增量去重)

　　4.異常處理

　　5.實時更新(定時爬取)

　　下面為資料庫的配置 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

　　接下來是主要程式碼 test.py：

　　# 使用bs4進行網頁解析

　　# 實現了增量去重

　　# 實現了定時爬取

　　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 = '

　　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('期號：%s\t時間：%s\t號碼:%s' % (str(issue), str(time_str), str(num_code)))

　　issue_db = select_db(issue, db_table)

　　try: 鄭州婦科醫院

　　if issue_db == issue:

　　insert_db(db_table, issue_db, time_str, num_code)

　　print('新增%s到%s成功' % (issue_db, db_table))

　　except Exception as e:

　　print('%s 已經存在!' % 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