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
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
#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
# 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
# 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