phpstudy集成环境

 首页 > 如何避免重复抓取同一个网页

如何避免重复抓取同一个网页

自己写一个python网页抓取的程序，碰到一个问题
url是http://xxx

网页代码是这样的：

<!DOCTYPE html>
<html>
    <head>
        <meta charset=utf8>
        <title>Crawl Me</title>
    </head>
    <body>
        <ul>
            <li><a href=page1.html>page 1</a></li>
            <li><a href="page2.html">page 2</a></li>
            <li><a href='page3.html'>page 3</a></li>
            <li><a href='mirror/index.html'>mirror</a></li>
            <li><a href='javascript:location.href="page4.html"'>page 4</a></li>
        </ul>
    </body>
</html>

在点击mirror的时候，页面会跳转到
http://xxx/mirror/index.html
再点击mirror，又会跳转到http://xxx/mirror/mirror/index.html

我在抓取的时候就会出现循环地重复地去抓这个index.html的问题
我用md5去计算这个网页的内容，发现每次index.html的内容的md5的值都是不同的，但是抓取到的网页，我用
md5sum得到的结果又是一样的，非常郁闷……
代码如下

content = urllib2.urlopen(url).read()
md5obj = hashlib.md5()
md5obj.update(content)
print md5obj.hexdigest()

发现每一次的md5码都不同
现在有两个问题：
1、有什么办法能够在这样的情况下避免重复抓取？
2、为什么python里每一个md5值都不同，而md5sum的结果是相同的？

使用Python的set数据结构, 每次遇到一个链接,判断它是否已经在该set中,是=>不添加; 不是=>添加到set中;

然后是一个queue,从set中pop链接,针对每一个链接做相应处理

不知我讲清楚没有?

判断网页是否抓去过,可以使用bloomFilter算法.可以准确的判断不存在.判断存在则有一定的概率误差.网页抓取这种可以接受这种误差.
在搜索引擎领域，Bloom-Filter最常用于网络蜘蛛(Spider)的URL过滤，网络蜘蛛通常有一个URL列表，保存着将要下载和已经下载的网页的URL，网络蜘蛛下载了一个网页，从网页中提取到新的URL后，需要判断该URL是否已经存在于列表中。此时，Bloom-Filter算法是最好的选择。Bloom-Filter算法的核心思想就是利用多个不同的Hash函数来解决“冲突”。占用的空间性价比很高.

你可以试试对url进行md5的计算，每次抓取url的时候，先判断下这个url是不是已经抓取过了

这样的问题应该很好解决，写robot

md5sum一样，但每次python算的md5值不一样，说明：你的用法错了，我目测你在每次计算md5值的时候还是用前一次用过的md5对象，这当然不一样了。如果同一个md5对象第一次update了'a'，没有清空数据，第二次又update了'a'，那你再调hexdigest算出来的是'aa'的md5值：

import hashlib

m = hashlib.md5()
m.update('a')
print m.hexdigest()    // 0cc175b9c0f1b6a831c399e269772661
m.update('a')
print m.hexdigest()    // 4124bc0a9335c27f086f24ba207a4912

m = hashlib.md5()
m.update('aa')
print m.hexdigest()    // 4124bc0a9335c27f086f24ba207a4912

可以看到，两次update('a')的效果和一次update('aa')的效果是相同的

如果相同url出现的位置具有规律，比如你上面的mirror总是第四个

  • , 那么可以通过在python代码中排除它。

    如果相同url出现完全没有规律，那么你可以新建一个set，或者其他容器，爬过的url放入该容器。在可能重复的地方，验证该url是否已经存在于该容器。

    • 我没有用过python，不过看你用md5值，你看看能不能用crc32（循环冗余校验）的值来判断唯一性呢

    【热门文章】
    【热门文章】