Question

我在python中使用scrapy框架编写了一个爬虫来选择一些链接和元标记。然后抓取起始网址并将数据以JSON编码格式写入文件。问题是当爬虫运行时两个或者使用相同的起始URL三次，文件中的数据会重复。为避免这种情况，我在scrapy中使用了一个下载中间件：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项目中的文件中，然后通过添加以下行在settings.py文件中启用它：

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

其中“a11ypi.removeDuplicates.IgnoreVisitedItems”是类路径名，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()

但是这不起作用，并且爬虫仍会生成相同的结果，在运行两次时将其附加到文件

我在pipelines.py文件中写了这个文件，如下所示：

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

我的蜘蛛代码如下：

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

请建议做什么。

Answer 1

尝试理解为什么片段按原样编写：

 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，在第2行中，您实际上需要在Request.meta中使用名为FILTER_VISITED的密钥，以便中间件删除请求。原因很明确，因为您访问过的每个网址都会被跳过，如果您不这样做，您将无法使用网址。因此，FILTER_VISITED实际上允许您选择要跳过的网址模式。如果您想要跳过通过特定规则提取的链接，请执行

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及以上，因为在sqlite db中存储了蜘蛛上下文的一些代码已经改变。

如何避免爬虫重复

1 个答案: