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

安装apache-beam==... 出现此错误可能是因为用户的Python版本太低,而apache-beam==2.34.0需要更高的P...
避免在粘贴双引号时向VS 20... 在粘贴双引号时向VS 2022添加反斜杠的问题通常是由于编辑器的自动转义功能引起的。为了避免这个问题...
Android Recycle... 要在Android RecyclerView中实现滑动卡片效果,可以按照以下步骤进行操作:首先,在项...
omi系统和安卓系统哪个好,揭... OMI系统和安卓系统哪个好?这个问题就像是在问“苹果和橘子哪个更甜”,每个人都有自己的答案。今天,我...
原生ios和安卓系统,原生对比... 亲爱的读者们,你是否曾好奇过,为什么你的iPhone和安卓手机在操作体验上有着天壤之别?今天,就让我...
Android - 无法确定任... 这个错误通常发生在Android项目中,表示编译Debug版本的Java代码时出现了依赖关系问题。下...
Android - NDK 预... 在Android NDK的构建过程中,LOCAL_SRC_FILES只能包含一个项目。如果需要在ND...
Akka生成Actor问题 在Akka框架中,可以使用ActorSystem对象生成Actor。但是,当我们在Actor类中尝试...
Agora-RTC-React... 出现这个错误原因是因为在 React 组件中使用,import AgoraRTC from “ago...
Alertmanager在pr... 首先,在Prometheus配置文件中,确保Alertmanager URL已正确配置。例如:ale...