[英]How to make an effective crawler in Python2.7
我正在搜寻一些衣服,以获取它们的价格和每种产品的信息,但是使用我的实际算法,需要几天的时间才能完成,并获得每种产品的每个不同链接。 例如,如果产品具有5种颜色的5个链接,则它具有5个链接,例如,我有一个92k条目和仅5k产品的数据库,如下所示:
https://i.gyazo.com/410d4faa33e2fbccf8979c5399856dd3.png
https://i.gyazo.com/b6118e67205d153272df001fb5efcfc8.png
产品ID相同(产品相同),但链接不同。
因此,我想要一些想法以及如何实现这些想法,例如,我拥有产品ID,因此,如果我已经访问了一个包含该ID的链接,那么我就不想再得到它。 我想抓取所有网络,但只访问那些包含产品的网站...但是我不知道如何实现这两个想法:/
这是我目前的代码(太慢了,重复了很多):
import urllib
import urlparse
from itertools import ifilterfalse
from urllib2 import URLError, HTTPError
from bs4 import BeautifulSoup
urls = {"http://www.kiabi.es/"}
visited = set()
def get_html_text(url):
try:
return urllib.urlopen(current_url.encode('ascii','ignore')).read()
except (IOError,URLError, HTTPError, urllib.ContentTooShortError):
print "Error getting " + current_url
urls.add(current_url)
def find_internal_links_in_html_text(html_text, base_url):
soup = BeautifulSoup(html_text, "html.parser")
links = set()
for tag in soup.findAll('a', href=True):
url = urlparse.urljoin(base_url, tag['href'])
domain = urlparse.urlparse(base_url).hostname
if domain in url:
links.add(url)
return links
def is_url_already_visited(url):
return url in visited
while urls:
try:
word = '#C'
current_url = urls.pop()
print "Parsing", current_url
if word in current_url:
print "Parsing", current_url
htmltext= urllib.urlopen(current_url).read()
soup= BeautifulSoup(htmltext)
[get the product info and save it into a sql database]
html_text = get_html_text(current_url)
visited.add(current_url)
found_urls = find_internal_links_in_html_text(html_text, current_url)
new_urls = ifilterfalse(is_url_already_visited, found_urls)
urls.update(new_urls)
except Exception:
pass
例如,在该搜寻器中,我使用单词“ #C”知道它是一个产品页面并获取其信息,但是我不知道如何区分该url是否具有我已经访问过的产品ID,以及我不知道如何避免不相关的网址,这就是为什么程序速度太慢并获得大量相等链接的原因
感谢您的帮助,您可以改善的所有事情都会很棒^^
我建议使用Scrapy 。 我的回答是基于它的强大功能。
提出您的疑问:
我不知道如何避免不相关的网址
答:为了避免访问不相关的URL,您应该根据用例使用具有特定逻辑的爬网程序。 也就是说,您可以使用CrawlSpider并定义自己的爬网规则 ,其中每个规则都定义了用于爬网站点的特定行为,因此您将不会访问不相关的URL。
这是一个示例: http : //doc.scrapy.org/en/latest/topics/spiders.html#crawlspider-example
...但是我不知道该网址是否具有我已经访问过的产品ID ...
答:默认情况下,Scrapy使用RFPDupeFilter
作为其DUPEFILTER_CLASS
,用于检测和过滤重复的请求。 RFPDupeFilter
使用scrapy.utils.request.request_fingerprint
函数基于请求指纹进行过滤。
这是重复请求的Scrapy日志输出示例:
2015-11-23 14:26:48 [scrapy] DEBUG: Filtered duplicate request: <GET http://doc.scrapy.org/en/latest/topics/request-response.html> - no more duplicates will be shown (see DUPEFILTER_DEBUG to show all duplicates)
如果您尚未使用它,请参阅以下Scrapy教程: http ://doc.scrapy.org/en/latest/intro/tutorial.html
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.