使用中间件忽略Scrapy中的重复项

Question

我是Python的初学者,我正在使用Scrapy进行人事网络项目.

我使用Scrapy反复从多个网站中提取数据,因此在添加链接之前,如果链接已经在数据库中,我需要检查每次抓取.我是在piplines.py类中完成的:

class DuplicatesPipline(object):
    def process_item(self, item, spider):
        if memc2.get(item['link']) is None:
            return item
        else:
            raise DropItem('Duplication %s', item['link'])

但我听说使用中间件更适合这项任务.

我发现在Scrapy中使用中间件有点困难,任何人都可以请我重定向到一个好的教程.

建议是受欢迎的.

谢谢,

编辑:

我正在使用MySql和memcache.

根据@Talvalin的回答,这是我的尝试:

# -*- coding: utf-8 -*-

from scrapy.exceptions import IgnoreRequest
import MySQLdb as mdb
import memcache

connexion = mdb.connect('localhost','dev','passe','mydb')
memc2 = memcache.Client(['127.0.0.1:11211'], debug=1)

class IgnoreDuplicates():

    def __init__(self):
        #clear memcache object
        memc2.flush_all()

        #update memc2
        with connexion:
            cur = connexion.cursor()
            cur.execute('SELECT link, title FROM items')
            for item in cur.fetchall():
                memc2.set(item[0], item[1])

    def precess_request(self, request, spider):
        #if the url is not in memc2 keys, it returns None.
        if memc2.get(request.url) is None:
            return None
        else:
            raise IgnoreRequest()

---

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.IgnoreDuplicates': 543,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 500, }

但似乎在爬行时会忽略process_request方法.

提前致谢,

Answer 1

下面是一些示例中间件代码,它将来自sqlite3表的URL加载(Id INT, url TEXT)到一个集合中,然后检查对该集合的请求URL以确定是否应该忽略该URL.应该使用MySQL和memcache来调整此代码应该是相当简单的,但如果您有任何问题或疑问,请告诉我.:)

import sqlite3
from scrapy.exceptions import IgnoreRequest

class IgnoreDuplicates():

    def __init__(self):
        self.crawled_urls = set()

        with sqlite3.connect('C:\dev\scrapy.db') as conn:
            cur = conn.cursor()
            cur.execute("""SELECT url FROM CrawledURLs""")
            self.crawled_urls.update(x[0] for x in cur.fetchall())

        print self.crawled_urls

    def process_request(self, request, spider):
        if request.url in self.crawled_urls:
            raise IgnoreRequest()
        else:
            return None

如果有机会出现像我这样的导入问题,并且即将打开显示器,上面的代码放在一个middlewares.py文件中,该文件放在顶层项目文件夹中,DOWNLOADER_MIDDLEWARES设置如下

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.IgnoreDuplicates': 543,
    'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 500,
}