大家在爬虫爬数据的时候都是怎么过滤数据库里存在的重复数据

Posted 2023-05-08

建议的方法是找一个标识字段，如果这个字段重复了，则这条数据没有插入的必要的这种字段。设置为主键或者唯一键，那么这个字段重复时默认不插入 参考技术A 保存页面的URL值，除去奇怪的内容，包括 #...... 这些，然后就判断是否采集过相同的 URL 即可。

爬虫篇 ---增量式爬虫

What is 增量式爬虫?

　　用来 监测 网站数据更新的情况,只会爬取网站中更新出来的新数据

增量式爬虫的核心

　　去重,因为你爬取到的数据是不可以出现重复的

怎么进行增量式爬取呢?

• 在发送请求之前判断这个URL是不是之前爬取过
• 在解析内容后判断这部分内容是不是之前爬取过
• 写入存储到 redis 时判断内容是不是已经在介质中存在

  #总结分析
      对比三种方式增量爬取的核心是去重， 至于去重的操作在哪个步骤起作用，只能说各有利弊。在我看来，前两种思路需要根据实际情况取一个（也可能都用）。
  
  #第一种思路适合不断有新页面出现的网站，比如说小说的新章节，每天的最新新闻等等；
  #第二种思路则适合页面内容会更新的网站。
  #第三个思路是相当于是最后的一道防线。这样做可以最大程度上达到去重的目的。

去重方法

1. 将爬取过程中产生的url进行存储，存储在redis的set中。当下次进行数据爬取时，首先对即将要发起的请求对应的url在存储的url的set中做判断，如果存在则不进行请求，否则才进行请求。

2. 对爬取到的网页内容进行唯一标识的制定，然后将该唯一表示存储至redis的set中。当下次爬取到网页数据的时候，在进行持久化存储之前，首先可以先判断该数据的唯一标识在redis的set中是否存在，在决定是否进行持久化存储。

项目实例

demo1 爬取4567tv网站中所有的电影详情数据

spider.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule

from redis import Redis
from incrementPro.items import IncrementproItem
class MovieSpider(CrawlSpider):
    name = ‘movie‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘http://www.4567tv.tv/frim/index7-11.html‘]

    rules = (
        Rule(LinkExtractor(allow=r‘/frim/index7-\d+\.html‘), callback=‘parse_item‘, follow=True),
    )
    #创建redis链接对象
    conn = Redis(host=‘127.0.0.1‘,port=6379)
    def parse_item(self, response):
        li_list = response.xpath(‘//li[@class="p1 m1"]‘)
        for li in li_list:
            #获取详情页的url
            detail_url = ‘http://www.4567tv.tv‘+li.xpath(‘./a/@href‘).extract_first()
            #将详情页的url存入redis的set中
            ex = self.conn.sadd(‘urls‘,detail_url)
            if ex == 1:
                print(‘该url没有被爬取过，可以进行数据的爬取‘)
                yield scrapy.Request(url=detail_url,callback=self.parst_detail)
            else:
                print(‘数据还没有更新，暂无新数据可爬取！‘)

    #解析详情页中的电影名称和类型，进行持久化存储
    def parst_detail(self,response):
        item = IncrementproItem()
        item[‘name‘] = response.xpath(‘//dt[@class="name"]/text()‘).extract_first()
        item[‘kind‘] = response.xpath(‘//div[@class="ct-c"]/dl/dt[4]//text()‘).extract()
        item[‘kind‘] = ‘‘.join(item[‘kind‘])
        yield item

pipeline.py

from redis import Redis
class IncrementproPipeline(object):
    conn = None
    def open_spider(self,spider):
        self.conn = Redis(host=‘127.0.0.1‘,port=6379)
    def process_item(self, item, spider):
        dic = {
            ‘name‘:item[‘name‘],
            ‘kind‘:item[‘kind‘]
        }
        print(dic)
        self.conn.lpush(‘movieData‘,dic)
        return item

demo2 爬取糗事百科中的段子和作者数据。

spider.py

import scrapy
from scrapy.linkextractors import LinkExtractor
from scrapy.spiders import CrawlSpider, Rule
from incrementByDataPro.items import IncrementbydataproItem
from redis import Redis
import hashlib
class QiubaiSpider(CrawlSpider):
    name = ‘qiubai‘
    # allowed_domains = [‘www.xxx.com‘]
    start_urls = [‘https://www.qiushibaike.com/text/‘]

    rules = (
        Rule(LinkExtractor(allow=r‘/text/page/\d+/‘), callback=‘parse_item‘, follow=True),
        Rule(LinkExtractor(allow=r‘/text/$‘), callback=‘parse_item‘, follow=True),
    )
    #创建redis链接对象
    conn = Redis(host=‘127.0.0.1‘,port=6379)
    def parse_item(self, response):
        div_list = response.xpath(‘//div[@id="content-left"]/div‘)

        for div in div_list:
            item = IncrementbydataproItem()
            item[‘author‘] = div.xpath(‘./div[1]/a[2]/h2/text() | ./div[1]/span[2]/h2/text()‘).extract_first()
            item[‘content‘] = div.xpath(‘.//div[@class="content"]/span/text()‘).extract_first()

            #将解析到的数据值生成一个唯一的标识进行redis存储
            source = item[‘author‘]+item[‘content‘]
            source_id = hashlib.sha256(source.encode()).hexdigest()
            #将解析内容的唯一表示存储到redis的data_id中
            ex = self.conn.sadd(‘data_id‘,source_id)

            if ex == 1:
                print(‘该条数据没有爬取过，可以爬取......‘)
                yield item
            else:
                print(‘该条数据已经爬取过了，不需要再次爬取了!!!‘)


pipeline.py

from redis import Redis
class IncrementbydataproPipeline(object):
    conn = None

    def open_spider(self, spider):
        self.conn = Redis(host=‘127.0.0.1‘, port=6379)

    def process_item(self, item, spider):
        dic = {
            ‘author‘: item[‘author‘],
            ‘content‘: item[‘content‘]
        }
        # print(dic)
        self.conn.lpush(‘qiubaiData‘, dic)
        return item