Question

我是Python的初学者，我正在使用Scrapy进行人事网络项目。

我使用Scrapy反复从多个网站中提取数据，因此在添加链接之前，如果链接已经在数据库中，我需要检查每次抓取。我是在piplines.py类中完成的：

class DuplicatesPipline(object):
    def process_item(self, item, spider):
        if memc2.get(item['link']) is None:
            return item
        else:
            raise DropItem('Duplication %s', item['link'])

但我听说使用中间件更适合这项任务。

我发现在Scrapy中使用中间件有点困难，任何人都可以请我转到一个好的教程。

欢迎提出建议。

谢谢，

修改

我正在使用MySql和memcache。

根据@Talvalin的回答，这是我的尝试：

# -*- coding: utf-8 -*-

from scrapy.exceptions import IgnoreRequest
import MySQLdb as mdb
import memcache

connexion = mdb.connect('localhost','dev','passe','mydb')
memc2 = memcache.Client(['127.0.0.1:11211'], debug=1)

class IgnoreDuplicates():

    def __init__(self):
        #clear memcache object
        memc2.flush_all()

        #update memc2
        with connexion:
            cur = connexion.cursor()
            cur.execute('SELECT link, title FROM items')
            for item in cur.fetchall():
                memc2.set(item[0], item[1])

    def precess_request(self, request, spider):
        #if the url is not in memc2 keys, it returns None.
        if memc2.get(request.url) is None:
            return None
        else:
            raise IgnoreRequest()

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.IgnoreDuplicates': 543,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 500, }

但似乎在抓取时会忽略process_request方法。

提前致谢，

Answer 1

这里有一些示例中间件代码，用于将来自sqlite3表(Id INT, url TEXT)的URL加载到集合中，然后针对该集检查请求URL以确定是否应该忽略该URL。应该使用MySQL和memcache来调整此代码应该是相当简单的，但如果您有任何问题或疑问，请告诉我。：）

import sqlite3
from scrapy.exceptions import IgnoreRequest

class IgnoreDuplicates():

    def __init__(self):
        self.crawled_urls = set()

        with sqlite3.connect('C:\dev\scrapy.db') as conn:
            cur = conn.cursor()
            cur.execute("""SELECT url FROM CrawledURLs""")
            self.crawled_urls.update(x[0] for x in cur.fetchall())

        print self.crawled_urls

    def process_request(self, request, spider):
        if request.url in self.crawled_urls:
            raise IgnoreRequest()
        else:
            return None

如果您有像我这样的导入问题，并且即将打开您的显示器，上面的代码位于middlewares.py文件中，该文件放在顶层项目文件夹中，其中包含以下{{1设置

DOWNLOADER_MIDDLEWARES

使用中间件忽略Scrapy中的重复项

1 个答案: