使用scrapy爬取百度新聞過程中總是會間歇性卡頓幾秒,比如這樣:
嚴重影響了爬取速度,而用類似構(gòu)造的代碼爬取百度招聘時則很順暢,請問這可能是什么原因呢?是不是setting里有什么相關(guān)設(shè)置?
這是代碼:
class BaiduxinwenpaquSpider(scrapy.Spider):
conn = pymysql.connect(
host='127.0.0.1',
user='root',
password='127127',
db='company_news',
port=3306,
charset='utf8'
)
cursor = conn.cursor()
sql = "select `company_name` from`wuxi_a_business_info`"
cursor.execute(sql)
rests_tuple = cursor.fetchall()
# tuple_=('無錫市司法局','無錫市人口和計劃生育委員會')
name = 'baiduxinwenpaqu'
allowed_domains = ['news.baidu.com/']
start_urls = ['http://news.baidu.com/ns?word="{}"&pn=0&cl=2&ct=0&tn=news&rn=20&ie=utf-8&bt=0&et=0'.format(name[0]) for name in rests_tuple[20000:200000]]
def parse(self,response):
conn = pymysql.connect(
host='127.0.0.1',
user='root',
password='127127',
db='company_news',
port=3306,
charset='utf8'
)
cursor = conn.cursor()
try:
company_name=re.search(r'word=(.*)&pn',response.url).group(1)
company_name = unquote(company_name).replace('"', '').replace('"', '')
id_sql = "select `company_id` from `wuxi_a_business_info`where `company_name`='{}'".format(company_name)
cursor.execute(id_sql)
rest = cursor.fetchall()
company_id = rest[0][0]
except:
company_name=''
company_id=''
for page in range(0,81,20):
next_url = re.sub('pn=\d+', 'pn=%d' % (page), response.url)
yield Request(url=next_url,callback=self.parse_detail, dont_filter=True,meta={'company_name':company_name,'company_id':company_id})
def parse_detail(self, response):
company_name = response.meta['company_name']
company_id = response.meta['company_id']
infos = response.xpath('//div[@class="result"]')
for info in infos:
titlelist = info.xpath('h3/a//text()').extract()
title = ''
for t in titlelist:
title += t
try:
source = info.xpath('div[@class="c-summary c-row "]/p[@class="c-author"]/text()').extract()[0].split(
'\xa0\xa0')[0]
except:
source=''
try:
time = info.xpath('div[@class="c-summary c-row "]/p[@class="c-author"]/text()').extract()[0].split(
'\xa0\xa0')[1]
except:
time=''
if time.endswith('前'):
time = datetime.now().timetuple()
VersionInfo = str(time.tm_year) + '年' + str(time.tm_mon) + '月' + str(time.tm_mday) + '日'
time = VersionInfo
link = info.xpath('h3/a/@href').extract()[0]
abstract = ''
try:
abstractlist = info.xpath('div[@class="c-summary c-row "]//text()').extract()
for a in abstractlist[1:-2]:
abstract += a
except:
abstract=''
ninfo = BaiduxinwenItem()
ninfo['company_name'] = company_name
ninfo['company_id'] = company_id
ninfo['title'] = title
ninfo['source'] = source
ninfo['time'] = time
ninfo['link'] = link
ninfo['abstract'] = abstract
yield ninfo北大青鳥APTECH成立于1999年。依托北京大學(xué)優(yōu)質(zhì)雄厚的教育資源和背景,秉承“教育改變生活”的發(fā)展理念,致力于培養(yǎng)中國IT技能型緊缺人才,是大數(shù)據(jù)專業(yè)的國家
達內(nèi)教育集團成立于2002年,是一家由留學(xué)海歸創(chuàng)辦的高端職業(yè)教育培訓(xùn)機構(gòu),是中國一站式人才培養(yǎng)平臺、一站式人才輸送平臺。2014年4月3日在美國成功上市,融資1
北大課工場是北京大學(xué)校辦產(chǎn)業(yè)為響應(yīng)國家深化產(chǎn)教融合/校企合作的政策,積極推進“中國制造2025”,實現(xiàn)中華民族偉大復(fù)興的升級產(chǎn)業(yè)鏈。利用北京大學(xué)優(yōu)質(zhì)教育資源及背
博為峰,中國職業(yè)人才培訓(xùn)領(lǐng)域的先行者
曾工作于聯(lián)想擔(dān)任系統(tǒng)開發(fā)工程師,曾在博彥科技股份有限公司擔(dān)任項目經(jīng)理從事移動互聯(lián)網(wǎng)管理及研發(fā)工作,曾創(chuàng)辦藍懿科技有限責(zé)任公司從事總經(jīng)理職務(wù)負責(zé)iOS教學(xué)及管理工作。
浪潮集團項目經(jīng)理。精通Java與.NET 技術(shù), 熟練的跨平臺面向?qū)ο箝_發(fā)經(jīng)驗,技術(shù)功底深厚。 授課風(fēng)格 授課風(fēng)格清新自然、條理清晰、主次分明、重點難點突出、引人入勝。
精通HTML5和CSS3;Javascript及主流js庫,具有快速界面開發(fā)的能力,對瀏覽器兼容性、前端性能優(yōu)化等有深入理解。精通網(wǎng)頁制作和網(wǎng)頁游戲開發(fā)。
具有10 年的Java 企業(yè)應(yīng)用開發(fā)經(jīng)驗。曾經(jīng)歷任德國Software AG 技術(shù)顧問,美國Dachieve 系統(tǒng)架構(gòu)師,美國AngelEngineers Inc. 系統(tǒng)架構(gòu)師。