怎么在python爬蟲中利用url管理器實現一個去重功能

這篇文章將為大家詳細講解有關怎么在python爬蟲中利用url管理器實現一個去重功能，文章內容質量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關知識有一定的了解。

URL管理器到底應該具有哪些功能？

• URL下載器應該包含兩個倉庫，分別存放沒有爬取過的鏈接和已經爬取過的鏈接。

• 應該有一些函數負責往上述兩個倉庫里添加鏈接

• 應該有一個函數負責從新url倉庫中隨機取出一條鏈接以便下載器爬取

• URL下載器應該能識別重復的鏈接，已經爬取過的鏈接就不需要放進倉庫了

如果一個URL管理器能夠具有以上4點功能，也算是“麻雀雖小，五臟俱全”了。然而，鏈接去重這個功能，應該怎么實現？

鏈接去重是關系爬蟲效率的一個比較關鍵的點，尤其是爬取的數據量極大的時候。在這個簡單的例子里，由于數據量較少，我們不需要太過復雜的算法，直接借助于python的set()函數即可，該函數可以生成一個集合對象，其元素不可重復。

根據以上分析，URL管理器的w代碼如下：

'''
UrlManager
class UrlManager(object):
  def __init__(self):
    #初始化的時候就生成兩個url倉庫
    self.new_urls = set()
    self.old_urls = set()
  #判斷新url倉庫中是否還有沒有爬取的url
  def has_new_url(self):
    return len(self.new_urls)
  #從new_url倉庫獲取一個新的url
  def get_new_url(self):
    return self.new_urls.pop()
  def add_new_url(self, url):  #這個函數后來用不到了……
    '''
    將一條url添加到new_urls倉庫中
    parm url: str
    return:
    if url is None:
      return
    #只需要判斷old_urls中沒有該鏈接即可，new_urls在添加的時候會自動去重
    if url not in self.old_urls:
      self.new_urls.add(url)
  def add_new_urls(self, urls):
    將多條url添加到new_urls倉庫中
    parm url: 可迭代對象
    print "start add_new_urls"
    if urls is None or len(urls) == 0:
    for url in urls:
      self.add_new_url(url)
  def add_old_url(self, url):
    self.old_urls.add(url)
    print "add old url succefully"
  #獲取已經爬取過的url的數目
  def old_url_size(self):
    return len(self.old_urls)

關于怎么在python爬蟲中利用url管理器實現一個去重功能就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。