首页 / PYTHON / python – 使用中间件忽略Scrapy中的重复项

python – 使用中间件忽略Scrapy中的重复项

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 使用中间件忽略Scrapy中的重复项，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1578字，纯文字阅读大概需要3分钟。

内容图文

我是Python的初学者,我正在使用Scrapy进行人事网络项目.

我使用Scrapy反复从多个网站中提取数据,因此在添加链接之前,如果链接已经在数据库中,我需要检查每次抓取.我是在piplines.py类中完成的：

class DuplicatesPipline(object):
    def process_item(self, item, spider):
        if memc2.get(item['link']) is None:
            return item
        else:
            raise DropItem('Duplication %s', item['link'])

但我听说使用中间件更适合这项任务.

我发现在Scrapy中使用中间件有点困难,任何人都可以请我重定向到一个好的教程.

建议是受欢迎的.

谢谢,

编辑：

我正在使用MySql和memcache.

根据@Talvalin的回答,这是我的尝试：

# -*- coding: utf-8 -*-

from scrapy.exceptions import IgnoreRequest
import MySQLdb as mdb
import memcache

connexion = mdb.connect('localhost','dev','passe','mydb')
memc2 = memcache.Client(['127.0.0.1:11211'], debug=1)

class IgnoreDuplicates():

    def __init__(self):
        #clear memcache object
        memc2.flush_all()

        #update memc2
        with connexion:
            cur = connexion.cursor()
            cur.execute('SELECT link, title FROM items')
            for item in cur.fetchall():
                memc2.set(item[0], item[1])

    def precess_request(self, request, spider):
        #if the url is not in memc2 keys, it returns None.
        if memc2.get(request.url) is None:
            return None
        else:
            raise IgnoreRequest()

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.IgnoreDuplicates': 543,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 500, }

但似乎在爬行时会忽略process_request方法.

提前致谢,

解决方法:

下面是一些示例中间件代码,它将来自sqlite3表(Id INT,url TEXT)的URL加载到一个集合中,然后检查对该集合的请求URL以确定是否应该忽略该URL.应该使用MySQL和memcache来调整此代码应该是相当简单的,但如果您有任何问题或疑问,请告诉我.

内容总结

以上是互联网集市为您收集整理的python – 使用中间件忽略Scrapy中的重复项全部内容，希望文章能够帮你解决python – 使用中间件忽略Scrapy中的重复项所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/701497.html

来源：【匿名】