3

我正在使用爬取内容频繁过期的视频网站。我正在考虑使用 scrapy进行爬虫，但不确定如何删除过期项目。

检测项目是否过期的策略是：

  1. 蜘蛛网站的“delete.rss”。
  2. 每隔几天，尝试重新加载内容页面并确保它仍然有效。
  3. 爬取网站内容索引的每一页，如果没有找到视频，则将其删除。

请让我知道如何删除scrapy中的过期项目。我将通过 django 将我的 scrapy 项目存储在 mysql DB 中。

2010-01-18 更新

我找到了一个可行的解决方案，但仍然可能不是最佳的。我在我同步的每个视频上都维护一个“found_in_last_scan”标志。当蜘蛛启动时，它将所有标志设置为 False。完成后，它会删除仍将标志设置为 False 的视频。我通过附加来做到这一点signals.spider_opened，signals.spider_closed 请确认这是一个有效的策略并且没有问题。

4

2 回答 2

4

我没有测试过这个！
我必须承认我没有尝试在 Scrapy 中使用 Django 模型，但这里是：

我想最简单的方法是deleted.rss通过扩展 XMLFeedSpider 为文件创建一个新的蜘蛛（从scrapy文档复制，然后修改）。我建议您创建一个新的蜘蛛，因为以下逻辑很少与用于抓取网站的逻辑相关：

from scrapy import log
from scrapy.contrib.spiders import XMLFeedSpider
from myproject.items import DeletedUrlItem

class MySpider(XMLFeedSpider):
    domain_name = 'example.com'
    start_urls = ['http://www.example.com/deleted.rss']
    iterator = 'iternodes' # This is actually unnecesary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, url):
        url['url'] = node.select('#path/to/url').extract()

        return url # return an Item 

SPIDER = MySpider()

这不是供您使用的工作蜘蛛，但 IIRC 的 RSS 文件是纯 XML。我不确定deleted.rss外观如何，但我相信您可以弄清楚如何从 XML 中提取 URL。现在，此示例导入myproject.items.DeletedUrlItem​​的只是此示例中的一个字符串，但您需要使用以下代码创建 DeletedUrlItem：

您需要创建 DeletedUrlItem：

class DeletedUrlItem(Item):
    url = Field()

您不是保存，而是使用Scrapy 的 ItemPipeline中的Django 模型 API 删除项目- 我假设您使用的是DjangoItem：

# we raise a DropItem exception so Scrapy
# doesn't try to process the item any further
from scrapy.core.exceptions import DropItem

# import your model
import django.Model.yourModel

class DeleteUrlPipeline(item):

    def process_item(self, spider, item):
        if item['url']:
            delete_item = yourModel.objects.get(url=item['url'])
            delete_item.delete() # actually delete the item!
            raise DropItem("Deleted: %s" % item)

注意delete_item.delete().

我知道这个答案可能包含错误，它是由记忆编写的 :-) 但如果您有意见或无法弄清楚，我肯定会更新。

于 2010-01-18T05:45:11.467 回答
0

如果您有一个怀疑可能不再有效的 HTTP URL（因为您在“已删除”的提要中找到它，或者只是因为您有一段时间没有检查它），最简单、最快的检查方法是为那个 URL 发送一个 HTTPHEAD请求。在 Python 中，最好使用标准库的httplib模块来完成：使用HTTPConnectionc为感兴趣的主机创建一个连接对象（如果是 HTTP 1.1，它可能可以重用以检查多个 URL，具有更好的性能和更低的系统负载），然后执行一个（或多个，如果可行，即如果使用 HTTP 1.1）请求方法的调用，第一个参数“HEAD”，第二个参数是您正在检查的 URL（当然没有主机部分；-）。c

每次request调用c.getresponse()后获取一个HTTPResponse对象，该对象的status属性会告诉您 URL 是否仍然有效。

是的，它有点低级，但正是由于这个原因，它可以让您更好地优化您的任务，只需一点 HTTP 知识；-)。

于 2010-01-18T03:55:30.300 回答