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。