go - gocolly：如何防止重复抓取，限制为唯一的 url 抓取一次

Question

我正在用下面的代码试验 go-colly，它似乎多次爬取相同的 url，我如何限制一次爬取？

我怀疑 'Parallellsim:2' 导致了重复，但是，一些爬网消息 url 每个重复超过 10 次。

可在不同网站上重现。

gocolly 又瘦又好。

func main() {
    c := colly.NewCollector(
        colly.AllowedDomains( "www.coursera.org"),
        colly.Async(true),
    )

    c.Limit(&colly.LimitRule{
        DomainGlob: "*",
         Parallelism: 2,
    })

    c.OnHTML("a[href]", func(e *colly.HTMLElement) {
        link := e.Attr("href")
        e.Request.Visit(link)
    })
    pageCount :=0
    c.OnRequest(func(r *colly.Request) {
        r.Ctx.Put("url", r.URL.String())
    })

    // Set error handler
    c.OnError(func(r *colly.Response, err error) {
        log.Println("Request URL:", r.Request.URL, "failed with response:", r, "\nError:", err)
    })

    // Print the response
    c.OnResponse(func(r *colly.Response) {
        pageCount++
        urlVisited := r.Ctx.Get("url")
        log.Println(fmt.Sprintf("%d  DONE Visiting : %s", pageCount, urlVisited))
    })

    baseUrl := "https://www.coursera.org"
    c.Visit(baseUrl)
    c.Wait()
}

Answer 1

Ctx如果您使用 ，则在请求之间共享，e.Request.Visit(link)因此其他请求可能会覆盖数据。尝试c.Visit()在这些情况下使用。它为每个请求创建新的上下文。

此外，您不需要将 URL 存储在上下文中，它始终可以在OnResponse回调中使用r.Request.URL.

将您的日志消息更改为以下内容，以便能够看到真实的请求 url：

log.Println(fmt.Sprintf("%d  DONE Visiting : %s", pageCount, r.Request.URL))