基于python的scrapy爬蟲，關(guān)于增量爬取是怎么處理的？對(duì)于只讀取少數(shù)網(wǎng)站更新內(nèi)容的爬蟲，不需要在Python代碼中實(shí)現(xiàn)增量功能，直接在項(xiàng)目中添加URL字段。項(xiàng)目[“Url”]=響應(yīng).url然后

基于python的scrapy爬蟲，關(guān)于增量爬取是怎么處理的？

對(duì)于只讀取少數(shù)網(wǎng)站更新內(nèi)容的爬蟲，不需要在Python代碼中實(shí)現(xiàn)增量功能，直接在項(xiàng)目中添加URL字段。

項(xiàng)目[“Url”]=響應(yīng).url

然后，在數(shù)據(jù)端，將URL列設(shè)置為unique。

之后，您可以在Python代碼中捕獲數(shù)據(jù)庫(kù)提交返回的異常，忽略它或?qū)⑵鋫鬏數(shù)饺罩尽?/p>

我使用Sqlalchemy。我就是這么寫的sqlalchemy.exc公司import IntegrityError

類XxxPipeline（object）：

定義進(jìn)程項(xiàng)目（self，Item，spider）：]會(huì)話.add（）

#….

試試看：會(huì)話.提交（）

打印“爬網(wǎng)%s完成！“%item[”URL“

]除了完整性錯(cuò)誤：

print”skip%s.”%item[”URL“

]return item

盡管每次都會(huì)重復(fù)爬網(wǎng)某些數(shù)據(jù)，但最終結(jié)果庫(kù)中不會(huì)有相同的URL。

對(duì)于小型爬蟲，重復(fù)爬蟲的成本可以忽略不計(jì)。