python - 看不到无限循环

Question

我正在尝试编写一个网络爬虫，但我被卡住了，因为我在代码中的某处看不到无限循环。

class Crawler(object):
    def __init__(self, url, query, dir = os.path.dirname(__file__)):
        self.start_url = url
        self.start_parsed = urllib3.util.parse_url(url)
        self.query = re.compile(query, re.IGNORECASE)
        self.dir = dir
        self.__horizon = set()
        self.log = []

        self.__horizon.add(url)
        self.log.append(url)
        print("initializing crawler....")
        print(locals())

    def start(self, depth= 5, url = '/'):
        print(url, depth)
        self.log.append(url)
        if depth > 0:
            pool = urllib3.PoolManager()
            data = pool.request("GET", self.start_url if url == '/' else url).data.decode('utf-8')

            valid_list = []
            self.add_horizon(parser_soup.get_links(data), valid_list)

            if re.search(self.query, parser_soup.get_text(data)):
                self.output(data)

            for u in valid_list:
                self.start(depth = (depth-1), url = u)

    def output(self, data):
        with open(os.path.join(self.dir, get_top_domain(self.start_parsed.host) + '.' + str(time.time()) + '.html'), 'w+') as f:
            f.write(data)

    def add_horizon(self, url_list, valid_list = []):
        for url in url_list:
            if get_top_domain(url) == get_top_domain(self.start_parsed.host)  \
                    and (not str(url) in self.log or not str(url) in self.__horizon):
                valid_list.append(str(url))

        self.__horizon.update(valid_list)

它永远运行。我应该如何确保消除重复链接？

Answer 1

改编自 Giogian 的代码:

class Crawler(object):
    def __init__(self, url, query, dir=os.path.dirname(__file__)):
        self.visited = set()
        # Rest of code...

    def start(self, depth=5, url='/'):
        if url in self.visited:
            return True
        self.visited.add(url)

defaultdict 是一个具有默认值的字典，如果索引不存在则使用该默认值。然而，这是错误的解决方案。如我的代码所示，集合会更高效、更优雅。

一组使用 O(1) 时间 - 与@Giorgian 的回答一样快。

使用 Ctrl-C 可以在程序处于无限循环时中断它。这将打印一个 Traceback，显示程序中断时正在执行的命令。这样做几次，您应该清楚它发生的位置。或者，使用调试器并在它处于无限循环时暂停并使用“步”功能运行到下一行执行，以便您可以跟踪程序的执行。 PyCharm 是一个很棒的编辑器，包含一个调试器。它有很好的自动补全功能，而且各方面都很好。它是免费的，请查看。