认识爬虫:怎样管理爬虫过程中已使用和未使用的 URL 地址

在编写爬虫时,通常需要管理已访问和未访问的URL地址以避免循环引用和重复抓取。以下是一个简单的Python示例,使用一个集合来跟踪已访问和未访问的URL地址:




class URLManager:
    def __init__(self, seed_urls):
        self.new_urls = set(seed_urls)  # 未访问的URL集合
        self.old_urls = set()           # 已访问的URL集合
 
    def has_new_urls(self):
        """检查是否有新的URL需要抓取"""
        return len(self.new_urls) > 0
 
    def get_new_url(self):
        """获取一个新的URL地址"""
        new_url = self.new_urls.pop()  # 默认移除集合中的最后一个元素
        self.old_urls.add(new_url)    # 将新获取的URL添加到已访问集合中
        return new_url
 
    def add_new_urls(self, urls):
        """添加新的URL到待抓取集合中"""
        self.new_urls.update(urls)  # 添加新的URL到集合中
 
    def add_old_url(self, url):
        """将已经处理过的URL添加到已访问集合中"""
        self.old_urls.add(url)
 
# 使用示例
url_manager = URLManager(seed_urls=['http://example.com'])
while url_manager.has_new_urls():
    new_url = url_manager.get_new_url()
    print(f"Crawling: {new_url}")
    # 模拟抓取页面的过程...
    # ...
    # 模拟发现新URL
    url_manager.add_new_urls(['http://example.com/page1', 'http://example.com/page2'])
    # 模拟处理完毕,添加到已处理集合
    url_manager.add_old_url(new_url)

这个简单的URL管理器类URLManager可以跟踪哪些URL地址已经被爬虫访问过,哪些还没有。has_new_urls方法检查是否有新的URL等待抓取。get_new_url方法会返回一个新的URL地址并将其标记为已访问。add_new_urls方法添加新的URL到待抓取集合中,而add_old_url方法将已处理的URL添加到已访问集合中。这个类可以作为爬虫开发中管理URL的基础框架。

none
最后修改于:2024年08月19日 09:33

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日