自上次运行以来，定期网络抓取以抓取网站上的新信息

Question

我正在抓取这个网站：https://news.ycombinator.com/jobs。我有抓取网站并将所需信息存储在本地数据库中的代码。我需要抓取的信息是：

1. 正在招聘的公司的名称。
2. 公司的位置。
3. 广告的位置。

我的问题是：如何改进我的脚本以执行以下任务？

1. 定期抓取网站。
2. 抓取工具应该只抓取网站上自上次以来的新信息 运行时间。

import mysql.connector
from mysql.connector import errorcode
from bs4 import BeautifulSoup
import requests

url = "https://news.ycombinator.com/jobs"
response = requests.get(url, timeout=5)
content = BeautifulSoup(response.content, "html.parser")

table = content.find("table", attrs={"class":"itemlist"})

array = []
for elem in table.findAll("a", attrs={"class":"storylink"}):
    array.append(elem.text)

try:
    # open the database connection
    cnx = mysql.connector.connect(user='root', password='mypassword',
                                  host='localhost', database='scraping')
    insert_sql = ('INSERT INTO `jobs` (`listing`) VALUES (%s)')

    # get listing data
    listing_data = array

    # loop through all listings executing INSERT for each with the cursor
    cursor = cnx.cursor()
    for listing in listing_data:
        print('Storing data for %s' % (listing))
        cursor.execute(insert_sql, (listing,))

    # commit the new records
    cnx.commit()

    # close the cursor and connection
    cursor.close()
    cnx.close()

except mysql.connector.Error as err:
    if err.errno == errorcode.ER_ACCESS_DENIED_ERROR:
        print('Something is wrong with your username or password')
    elif err.errno == errorcode.ER_BAD_DB_ERROR:
        print('Database does not exist')
    else:
        print(err)

else:
    cnx.close()

Answer 1

1) 您可以设置一个 cron 作业以使该脚本定期运行。

2) 你在 DOM 中还遗漏了一些东西：

<tr class="athing" id="20190856">
      <td align="right" valign="top" class="title"><span class="rank"></span></td>      <td></td><td class="title">...

每个职位发布都有一个唯一的 ID（根据 HN API 文档：https://github.com/HackerNews/API），因此只需抓取此 ID 并确保您的数据库中还没有它。

您也可以只使用 API 而不是抓取 HTML！