快捷導(dǎo)航

python爬蟲中url管理器去重操作實例

更新時間：2020年11月30日 15:43:44 作者：小妮淺淺

在本篇內(nèi)容里小編給大家整理的是一篇關(guān)于python爬蟲中url管理器去重操作實例，有需要的朋友們可以參考下。

當(dāng)我們需要有一批貨物需要存放時，最好的方法就是有一個倉庫進行保管。我們可以把URL管理器看成一個收集了數(shù)據(jù)的大倉庫，而下載器就是這個倉庫貨物的搬運者。關(guān)于下載器的問題，我們暫且不談。本篇主要討論的是在url管理器中，我們遇到重復(fù)的數(shù)據(jù)應(yīng)該如何識別出來，避免像倉庫一樣過多的囤積相同的貨物。聽起來是不是很有意思，下面我們一起進入今天的學(xué)習(xí)。

URL管理器到底應(yīng)該具有哪些功能？

URL下載器應(yīng)該包含兩個倉庫，分別存放沒有爬取過的鏈接和已經(jīng)爬取過的鏈接。
應(yīng)該有一些函數(shù)負責(zé)往上述兩個倉庫里添加鏈接
應(yīng)該有一個函數(shù)負責(zé)從新url倉庫中隨機取出一條鏈接以便下載器爬取
URL下載器應(yīng)該能識別重復(fù)的鏈接，已經(jīng)爬取過的鏈接就不需要放進倉庫了

如果一個URL管理器能夠具有以上4點功能，也算是“麻雀雖小，五臟俱全”了。然而，鏈接去重這個功能，應(yīng)該怎么實現(xiàn)？

鏈接去重是關(guān)系爬蟲效率的一個比較關(guān)鍵的點，尤其是爬取的數(shù)據(jù)量極大的時候。在這個簡單的例子里，由于數(shù)據(jù)量較少，我們不需要太過復(fù)雜的算法，直接借助于python的set()函數(shù)即可，該函數(shù)可以生成一個集合對象，其元素不可重復(fù)。

根據(jù)以上分析，URL管理器的w代碼如下：

'''
UrlManager
class UrlManager(object):
  def __init__(self):
    #初始化的時候就生成兩個url倉庫
    self.new_urls = set()
    self.old_urls = set()
  #判斷新url倉庫中是否還有沒有爬取的url
  def has_new_url(self):
    return len(self.new_urls)
  #從new_url倉庫獲取一個新的url
  def get_new_url(self):
    return self.new_urls.pop()
  def add_new_url(self, url):  #這個函數(shù)后來用不到了……
    '''
    將一條url添加到new_urls倉庫中
    parm url: str
    return:
    if url is None:
      return
    #只需要判斷old_urls中沒有該鏈接即可，new_urls在添加的時候會自動去重
    if url not in self.old_urls:
      self.new_urls.add(url)
  def add_new_urls(self, urls):
    將多條url添加到new_urls倉庫中
    parm url: 可迭代對象
    print "start add_new_urls"
    if urls is None or len(urls) == 0:
    for url in urls:
      self.add_new_url(url)
  def add_old_url(self, url):
    self.old_urls.add(url)
    print "add old url succefully"
  #獲取已經(jīng)爬取過的url的數(shù)目
  def old_url_size(self):
    return len(self.old_urls)

嘗試過以上代碼的小伙伴，已經(jīng)成功學(xué)會用url管理器篩選重復(fù)的數(shù)據(jù)了。相信大家經(jīng)過今天的學(xué)習(xí)，已經(jīng)能夠了解url的基本功能和簡單的使用。

到此這篇關(guān)于python爬蟲中url管理器去重操作實例的文章就介紹到這了,更多相關(guān)python爬蟲中url管理器如何去重內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！