python - 如何避免爬虫中的重复

Question

我使用 python 中的 scrapy 框架编写了一个爬虫来选择一些链接和元标记。然后爬取起始 url 并将数据以 JSON 编码格式写入文件。问题是当爬虫运行两个或者使用相同的起始 url 三次，文件中的数据会重复。为了避免这种情况，我在 scrapy 中使用了一个下载器中间件，它是这样的:http://snippets.scrapy.org/snippets/1/

我所做的是将上面的代码复制并粘贴到我的 scrapy 项目中的一个文件中，并通过添加以下行在 settings.py 文件中启用它:

SPIDER_MIDDLEWARES = {'a11ypi.removeDuplicates.IgnoreVisitedItems':560} 

其中“a11ypi.removeDuplicates.IgnoreVisitedItems”是类路径名称，最后我进入并修改了我的 items.py 文件并包含以下字段

visit_id = Field()  
visit_status = Field()

但这行不通，爬虫在运行两次时仍然产生相同的结果并将其附加到文件

我在我的 pipelines.py 文件中写入文件如下:

import json 

class AYpiPipeline(object):  
    def __init__(self):  
    self.file = open("a11ypi_dict.json","ab+")


   # this method is called to process an item after it has been scraped.


    def process_item(self, item, spider):
    d = {}  

    i = 0
    # Here we are iterating over the scraped items and creating a dictionary of dictionaries.
    try:
        while i<len(item["foruri"]):
        d.setdefault(item["foruri"][i],{}).setdefault(item["rec"][i],{})[item["foruri_id"][i]] = item['thisurl'] + ":" +item["thisid"][i]
        i+=1
    except IndexError:
        print "Index out of range"

    json.dump(d,self.file)
        return item

而我的爬虫代码如下:

from scrapy.contrib.spiders import CrawlSpider, Rule
from scrapy.contrib.linkextractors.sgml import SgmlLinkExtractor
from scrapy.selector import HtmlXPathSelector
from a11ypi.items import AYpiItem

class AYpiSpider(CrawlSpider):
    name = "a11y.in"
    allowed_domains = ["a11y.in"]

    # This is the list of seed URLs to begin crawling with.
    start_urls = ["http://www.a11y.in/a11ypi/idea/fire-hi.html"]

    # This is the callback method, which is used for scraping specific data
    def parse(self,response):
    temp = []
    hxs = HtmlXPathSelector(response)
    item = AYpiItem()
    wholeforuri = hxs.select("//@foruri").extract()            # XPath to extract the foruri, which contains both the URL and id in foruri
    for i in wholeforuri:
        temp.append(i.rpartition(":"))

    item["foruri"] = [i[0] for i in temp]     # This contains the URL in foruri
    item["foruri_id"] = [i.split(":")[-1] for i in wholeforuri]  # This contains the id in foruri
    item['thisurl'] = response.url                                  
    item["thisid"] = hxs.select("//@foruri/../@id").extract()
    item["rec"] = hxs.select("//@foruri/../@rec").extract()
    return item  

请提出建议。

Answer 1

试着理解为什么要这样写代码段:

 if isinstance(x, Request):
            if self.FILTER_VISITED in x.meta:
                visit_id = self._visited_id(x)
                if visit_id in visited_ids:
                    log.msg("Ignoring already visited: %s" % x.url,
                            level=log.INFO, spider=spider)
                    visited = True

请注意第 2 行，您实际上需要在 Request.meta 中输入一个名为 FILTER_VISITED 的键，以便中间件删除请求。原因是善意的，因为您访问过的每个 url 都将被跳过，如果您不这样做，您将根本没有要遍历的 url。因此，FILTER_VISITED 实际上允许您选择要跳过的 url 模式。如果您想跳过使用特定规则提取的链接，只需执行

Rule(SgmlLinkExtractor(allow=('url_regex1', 'url_regex2' )),  callback='my_callback', process_request = setVisitFilter)

def setVisitFilter(request):
   request.meta['filter_visited'] = True
   return request

P.S 我不知道它是否适用于 0.14 及更高版本，因为一些代码已更改以将蜘蛛上下文存储在 sqlite 数据库中。