Scrapy 爬取旅游景点相关数据（七）：利用指纹实现“不重复爬取”

麦麦大数据2024-07-31 10:18

本期学习：利用网页指纹去重

众所周知，代理是要花钱的，那么在爬取（测试）巨量网页的时候，就不可能对已经爬取过的网站去重复的爬，这样会消耗大量的时间，更重要的是会消耗大量的IP (=金钱 💵)

1 指纹机制

所谓指纹，就是把网页的数据生成一个唯一性的数据，相当于程序给每个网页留了个痕迹，爬取过的网页，留下指纹，那下次只要比对一下我们指纹库：有的，就直接跳过，那就不存在重复爬取的问题了；没有的，爬取数据，留下指纹。这个机制非常适合我们这个使用了selenium来进行翻页的scrapy工程。

2 指纹实现

首先在爬虫初始化__init__的时候增加一个指纹文件：

python 复制代码

        self.fp_file = 'fingerprints.json'

然后在 start_requests 判断这个文件是否存在，不存在的话需要创建，注意到以列表形式存储：

python 复制代码

      	#创建指纹存储文件
        if not os.path.exists(self.fp_file):
            with open(self.fp_file, 'w') as f:
                json.dump([], f)

然后实现指纹的3个方法

python 复制代码

    # 生成指纹
    def get_fingerprint(self, page_content):
        return md5(page_content.encode('utf-8')).hexdigest()

    # 判断指纹是否存在
    def fingerprint_exists(self, fingerprint):
        with open(self.fp_file, 'r') as f:
            fingerprints = json.load(f)
            return fingerprint in fingerprints

    # 保存指纹
    def save_fingerprint(self, fingerprint):
        with open(self.fp_file, 'r+') as f:
            fingerprints = json.load(f)
            fingerprints.append(fingerprint)
            f.seek(0)
            json.dump(fingerprints, f)
            f.truncate()

最后一步，添加到爬取的逻辑中，这边尝试添加在parse_page （不清楚的话需要回看前几期的博客文章）

python 复制代码

        # 生成指纹
        fingerprint = self.get_fingerprint(page_source)
        # 判断指纹是否存在
        if self.fingerprint_exists(fingerprint):
            self.logger.info('指纹已存在，跳过 %s', fingerprint)
            return

        # 保存指纹
        self.save_fingerprint(fingerprint)

3 测试

测试的时候先爬去一下，检查下fingerprints.json是否生成了，然后等待爬虫爬取一段时间，看json文件中指纹数据是否有增加，然后停止爬虫，重新开始，测试指纹能否帮助跳过已经爬取过的页面。

测试截图如下，发现可以生效的。如果不跳过，则item代码会去比较数据库中是否存在这个评论，这里却没有这个过程，说明通过指纹对比，把已经爬取过的页面跳过了