- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在爬行一些衣服网以获取它们的价格以及每种可用产品的信息,但根据我的实际算法,需要几天的时间才能完成并获取每种产品的每个不同链接。例如,如果产品有 5 个链接(5 种颜色),则它会执行 5 个链接,并且我有一个包含 92k 条目的数据库,但只有 5k 个产品,如下所示:
https://i.gyazo.com/410d4faa33e2fbccf8979c5399856dd3.png
https://i.gyazo.com/b6118e67205d153272df001fb5efcfc8.png
相同的产品 ID(因此相同的产品),但链接不同。
所以我想要一些想法以及如何实现它们来改进这一点,例如我有产品 ID,所以如果我已经访问过包含该 ID 的一个链接,我不想再次进入其中。我想抓取所有网络,但只访问包含产品的网络...但我不知道如何实现这两个想法:/
这是我目前的代码(太慢并且有很多重复):
import urllib
import urlparse
from itertools import ifilterfalse
from urllib2 import URLError, HTTPError
from bs4 import BeautifulSoup
urls = {"http://www.kiabi.es/"}
visited = set()
def get_html_text(url):
try:
return urllib.urlopen(current_url.encode('ascii','ignore')).read()
except (IOError,URLError, HTTPError, urllib.ContentTooShortError):
print "Error getting " + current_url
urls.add(current_url)
def find_internal_links_in_html_text(html_text, base_url):
soup = BeautifulSoup(html_text, "html.parser")
links = set()
for tag in soup.findAll('a', href=True):
url = urlparse.urljoin(base_url, tag['href'])
domain = urlparse.urlparse(base_url).hostname
if domain in url:
links.add(url)
return links
def is_url_already_visited(url):
return url in visited
while urls:
try:
word = '#C'
current_url = urls.pop()
print "Parsing", current_url
if word in current_url:
print "Parsing", current_url
htmltext= urllib.urlopen(current_url).read()
soup= BeautifulSoup(htmltext)
[get the product info and save it into a sql database]
html_text = get_html_text(current_url)
visited.add(current_url)
found_urls = find_internal_links_in_html_text(html_text, current_url)
new_urls = ifilterfalse(is_url_already_visited, found_urls)
urls.update(new_urls)
except Exception:
pass
例如,在该爬虫中,我使用单词“#C”来知道它是一个产品页面并获取它的信息,但我不知道如何区分该网址是否具有我已经存在的产品 ID访问过,而且不知道如何避免不相关的url,这就是程序太慢并且得到很多平等链接的原因
感谢您的帮助,您可以改进的任何内容都会很棒^^
最佳答案
我建议使用Scrapy 。我的回答是基于其出色的功能。
引用你的疑问:
<小时/>I don't know how to avoid irrelevant urls
答案:为了避免访问不相关的 URL,您应该根据您的用例使用具有特定逻辑的爬网程序。也就是说,您可以使用 CrawlSpider并定义您自己的 Crawling rules其中每条规则都定义了抓取网站的特定行为,这样您就不会访问不相关的 URL。
这是一个示例:http://doc.scrapy.org/en/latest/topics/spiders.html#crawlspider-example
<小时/>...but I don't know how to distinguish if that url has a product ID that I already visited...
答案:默认情况下,Scrapy使用RFPDupeFilter
作为其DUPEFILTER_CLASS
,用于检测和过滤重复项要求。 RFPDupeFilter
使用 scrapy.utils.request.request_fingerprint
函数根据请求指纹进行过滤。
这是重复请求的 Scrapy 日志输出示例:
2015-11-23 14:26:48 [scrapy] DEBUG: Filtered duplicate request: <GET http://doc.scrapy.org/en/latest/topics/request-response.html> - no more duplicates will be shown (see DUPEFILTER_DEBUG to show all duplicates)
<小时/>
如果您还没有使用过,这里有一个 Scrapy 教程:http://doc.scrapy.org/en/latest/intro/tutorial.html
关于python - 如何在Python2.7中制作一个有效的爬虫,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/33874483/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!