前言： 在爬虫过程中，我们可能需要重复的爬取同一个网站，为了避免重复的数据存入我们的数据库中 通过实现增量去重 去解决这一问题 本文还针对了那些需要实时更新的网站 增加了一个定时爬取的功能。

　　解决思路：

　　1.获取目标url

　　2.解析网页

　　3.存入数据库(增量去重)

　　4.异常处理

　　5.实时更新(定时爬取)

　　下面为数据库的配置 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

　　接下来是主要代码 test.py：

　　# 使用bs4进行网页解析

　　# 实现了增量去重

　　# 实现了定时爬取

　　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 = 'http://kj.13322.com/kl10_dkl10_history_dtoday.html'

　　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('期号：%s\t时间：%s\t号码:%s' % (str(issue), str(time_str), str(num_code)))

　　issue_db = select_db(issue, db_table)

　　try: 郑州妇科医院 http://www.zyfuke.com/

　　if issue_db == issue:

　　insert_db(db_table, issue_db, time_str, num_code)

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

　　except Exception as e:

　　print('%s 已经存在!' % 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