避免重复抓取条目 - 通过提前检查json/csv中的URL来避免重复抓取博客
创始人
2024-12-17 19:31:16
0

以下是一个示例代码,演示如何通过提前检查 JSON 或 CSV 文件中的 URL 来避免重复抓取博客:

import json
import csv
import requests

def check_duplicate_urls(urls, target_url):
    return target_url in urls

def save_url_to_file(url, file_path):
    with open(file_path, 'a') as file:
        file.write(url + '\n')

def read_urls_from_json(json_file):
    with open(json_file, 'r') as file:
        data = json.load(file)
        return data['urls']

def read_urls_from_csv(csv_file):
    urls = []
    with open(csv_file, 'r') as file:
        reader = csv.reader(file)
        for row in reader:
            urls.extend(row)
    return urls

def crawl_blog(url, json_file, csv_file):
    json_urls = read_urls_from_json(json_file)
    csv_urls = read_urls_from_csv(csv_file)

    if check_duplicate_urls(json_urls + csv_urls, url):
        print(f"URL {url} has already been crawled.")
        return

    # 进行博客抓取的代码
    response = requests.get(url)
    # 处理抓取到的博客数据

    # 将已抓取的 URL 保存到 JSON 文件
    json_urls.append(url)
    with open(json_file, 'w') as file:
        json.dump({'urls': json_urls}, file)

    # 将已抓取的 URL 保存到 CSV 文件
    save_url_to_file(url, csv_file)

# 示例用法
crawl_blog('https://example.com/blog1', 'urls.json', 'urls.csv')
crawl_blog('https://example.com/blog2', 'urls.json', 'urls.csv')
crawl_blog('https://example.com/blog1', 'urls.json', 'urls.csv')  # 这次会被检测到重复

在上面的示例代码中,check_duplicate_urls 函数用于检查目标 URL 是否已经存在于已抓取的 URL 列表中。save_url_to_file 函数用于将已抓取的 URL 保存到文件中。

read_urls_from_jsonread_urls_from_csv 函数分别用于从 JSON 文件和 CSV 文件中读取已抓取的 URL 列表。

crawl_blog 函数是一个示例的博客抓取函数。它首先读取已抓取的 URL 列表,然后使用 check_duplicate_urls 函数检查目标 URL 是否已经存在于列表中。如果存在,则打印出重复抓取的信息并退出。如果不存在,则进行博客抓取,并将已抓取的 URL 保存到 JSON 文件和 CSV 文件中。

相关内容

热门资讯

安卓换鸿蒙系统会卡吗,体验流畅... 最近手机圈可是热闹非凡呢!不少安卓用户都在议论纷纷,说鸿蒙系统要来啦!那么,安卓手机换上鸿蒙系统后,...
app安卓系统登录不了,解锁登... 最近是不是你也遇到了这样的烦恼:手机里那个心爱的APP,突然就登录不上了?别急,让我来帮你一步步排查...
安卓系统拦截短信在哪,安卓系统... 你是不是也遇到了这种情况:手机里突然冒出了很多垃圾短信,烦不胜烦?别急,今天就来教你怎么在安卓系统里...
安卓系统要维护多久,安卓系统维... 你有没有想过,你的安卓手机里那个陪伴你度过了无数日夜的安卓系统,它究竟要陪伴你多久呢?这个问题,估计...
windows官网系统多少钱 Windows官网系统价格一览:了解正版Windows的购买成本Windows 11官方价格解析微软...
安卓系统如何卸载app,轻松掌... 手机里的App越来越多,是不是感觉内存不够用了?别急,今天就来教你怎么轻松卸载安卓系统里的App,让...
怎么复制照片安卓系统,操作步骤... 亲爱的手机控们,是不是有时候想把自己的手机照片分享给朋友,或者备份到电脑上呢?别急,今天就来教你怎么...
安卓系统应用怎么重装,安卓应用... 手机里的安卓应用突然罢工了,是不是让你头疼不已?别急,今天就来手把手教你如何重装安卓系统应用,让你的...
iwatch怎么连接安卓系统,... 你有没有想过,那款时尚又实用的iWatch,竟然只能和iPhone好上好?别急,今天就来给你揭秘,怎...
iphone系统与安卓系统更新... 最近是不是你也遇到了这样的烦恼?手机更新系统总是失败,急得你团团转。别急,今天就来给你揭秘为什么iP...