python - 使用中间件忽略 Scrapy 中的重复项

Question

我是 Python 初学者，我正在使用 Scrapy 进行人员 Web 项目。

我使用Scrapy反复从多个网站提取数据，所以我需要在添加链接之前检查每个爬行是否已经在数据库中。我在 piplines.py 类中这样做:

class DuplicatesPipline(object):
    def process_item(self, item, spider):
        if memc2.get(item['link']) is None:
            return item
        else:
            raise DropItem('Duplication %s', item['link'])

但我听说使用中间件更适合这项任务。

我发现在 Scrapy 中使用中间件有点困难，任何人都可以将我重定向到一个好的教程。

欢迎提出建议。

谢谢，

编辑:

我正在使用 MySql 和内存缓存。

根据@Talvalin 的回答，这是我的尝试:

# -*- coding: utf-8 -*-

from scrapy.exceptions import IgnoreRequest
import MySQLdb as mdb
import memcache

connexion = mdb.connect('localhost','dev','passe','mydb')
memc2 = memcache.Client(['127.0.0.1:11211'], debug=1)

class IgnoreDuplicates():

    def __init__(self):
        #clear memcache object
        memc2.flush_all()

        #update memc2
        with connexion:
            cur = connexion.cursor()
            cur.execute('SELECT link, title FROM items')
            for item in cur.fetchall():
                memc2.set(item[0], item[1])

    def precess_request(self, request, spider):
        #if the url is not in memc2 keys, it returns None.
        if memc2.get(request.url) is None:
            return None
        else:
            raise IgnoreRequest()

---

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.IgnoreDuplicates': 543,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 500, }

但是爬取的时候好像忽略了process_request方法

提前致谢

Answer 1

下面是一些示例中间件代码，它从 sqlite3 表 (Id INT, url TEXT) 中加载 url 到一个集合中，然后根据该集合检查请求 url 以确定该 url 是否应该被忽略或不是。调整此代码以使用 MySQL 和内存缓存应该相当简单，但如果您有任何问题或疑问，请告诉我。 :)

import sqlite3
from scrapy.exceptions import IgnoreRequest

class IgnoreDuplicates():

    def __init__(self):
        self.crawled_urls = set()

        with sqlite3.connect('C:\dev\scrapy.db') as conn:
            cur = conn.cursor()
            cur.execute("""SELECT url FROM CrawledURLs""")
            self.crawled_urls.update(x[0] for x in cur.fetchall())

        print self.crawled_urls

    def process_request(self, request, spider):
        if request.url in self.crawled_urls:
            raise IgnoreRequest()
        else:
            return None

如果你有像我这样的导入问题并且要打你的显示器，上面的代码位于 middlewares.py 文件中，该文件位于顶级项目文件夹中以下 DOWNLOADER_MIDDLEWARES 设置

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.IgnoreDuplicates': 543,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 500,
}