python - 无法使用 set 剔除重复结果

Question

我用 python 编写了一个脚本来抓取标题为 England 的表格下的所有链接，然后当我的脚本到达内页时使用这些链接，然后它将抓取下一页链接.我知道如果我修复脚本中使用的 xpath，我可能会获得唯一的下一页 url。

但是，这里的主要目标是确定为什么我的脚本在使用 set() 时仍会生成重复项。

我的脚本:

import requests
from lxml.html import fromstring
from urllib.parse import urljoin

link = "http://tennishub.co.uk/"

processed_links = set()
processed_nextpage_links = set()

def get_links(url):
    response = requests.get(url)
    tree = fromstring(response.text)

    unprocessed_links = [urljoin(link,item.xpath('.//a/@href')[0]) for item in tree.xpath('//*[@class="countylist"]')]
    for nlink in unprocessed_links:
        if nlink not in processed_links:
            processed_links.add(nlink)
    get_nextpage_links(processed_links)

def get_nextpage_links(itemlinks):
    for ilink in itemlinks:
        response = requests.get(ilink)
        tree = fromstring(response.text)
        titles = [title.xpath('.//a/@href')[0] for title in tree.xpath('//div[@class="pagination"]') if title.xpath('.//a/@href')]
        for ititle in titles:
            if ititle not in processed_nextpage_links:
                processed_nextpage_links.add(ititle)

        for rlink in processed_nextpage_links:
            print(rlink)

if __name__ == '__main__':
    get_links(link)

我得到的结果是这样的:

/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Cheshire/2
/tennis-clubs-by-county/Derbyshire/2
/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Cheshire/2
/tennis-clubs-by-county/Derbyshire/2
/tennis-clubs-by-county/Durham/2

Answer 1

每次调用 get_nextpage_links 时，您都会打印到目前为止收集的所有链接。

我猜你会想要完全删除 print ，并在完成后打印列表，最好在任何 def 之外(使你的函数可重用，并且将任何外部副作用推迟到调用代码)。

一个没有全局变量的更好的解决方案可能是让 get_links 收集一个集合并返回它，在您调用它时将对该集合的引用传递给 get_nextpage_links，并且 (显然)添加任何新链接。

因为您使用的是集合，所以在添加链接之前没有特别需要检查链接是否已经在集合中。无法向该数据类型添加重复项。