URL管理器模块
一般是用来维护爬取的url和未爬取的url已经新添加的url的,如果队列中已经存在了当前爬取的url了就不需要再重复爬取了,另外防止造成一个死循环。举个例子
我爬www.baidu.com 其中我抓取的列表中有music.baidu.om,然后我再继续抓取该页面的所有链接,但是其中含有www.baidu.com,可以想象如果不做处理的话就成了一个死循环了,在百度首页和百度音乐页循环,所以有一个对列来维护URL是很重要的。
下面以python代码实现为例,使用的deque双向队列方便取出以前的url。
from collections import deque class URLQueue(): def __init__(self): self.queue = deque() # 待抓取的网页 self.visited = set() # 已经抓取过的网页 def new_url_size(self): ‘‘‘‘‘ 获取未爬取URL集合的大小 :return: ‘‘‘ return len(self.queue) def old_url_size(self): ‘‘‘‘‘ 获取已爬取URL的大小 :return: ‘‘‘ return len(self.visited) def has_new_url(self): ‘‘‘‘‘ 判断是否有未爬取的URL :return: ‘‘‘ return self.new_url_size() != 0 def get_new_url(self): ‘‘‘‘‘ 获取一个未爬取的URL :return: ‘‘‘ new_url = self.queue.popleft()#从左侧取出一个链接 self.old_urls.add(new_url)#记录已经抓取 return new_url def add_new_url(self, url): ‘‘‘‘‘ 将新的URL添加到未爬取的URL集合 :param url: 单个url :return: ‘‘‘ if url is None: return False if url not in self.new_urls and url not in self.old_urls: self.new_urls.append(url) def add_new_urls(self, urlset): ‘‘‘‘‘ 将新的URL添加到未爬取的URL集合 :param urlset: url集合 :return: ‘‘‘ if urlset is None or len(urlset) == 0: return for url in urlset: self.add_new_url(url)
原文地址:https://www.cnblogs.com/c-x-a/p/9174882.html
时间: 2024-10-13 14:48:06