Python 刮擦:如何检查以前刮擦过的页面是否已被删除?
我制作了一个简单的抓取我所在城市房价广告的刮擦式爬虫 它收集以下数据:广告标题、价格和URL。然后输出一个CSV文件 每周我都会运行爬虫程序,我希望它将最新的CSV文件与前一个文件进行比较,以检查是否有广告被删除。如果他们有,我希望它在CSV文件输出的最后一个看到的列中包含今天的日期 我不知道这是否可以用CSV文件完成,或者这项工作是否需要一个数据库。我也不知道是否需要创建项目管道 这是我目前的蜘蛛代码Python 刮擦:如何检查以前刮擦过的页面是否已被删除?,python,database,csv,web-scraping,scrapy,Python,Database,Csv,Web Scraping,Scrapy,我制作了一个简单的抓取我所在城市房价广告的刮擦式爬虫 它收集以下数据:广告标题、价格和URL。然后输出一个CSV文件 每周我都会运行爬虫程序,我希望它将最新的CSV文件与前一个文件进行比较,以检查是否有广告被删除。如果他们有,我希望它在CSV文件输出的最后一个看到的列中包含今天的日期 我不知道这是否可以用CSV文件完成,或者这项工作是否需要一个数据库。我也不知道是否需要创建项目管道 这是我目前的蜘蛛代码 import scrapy class ExampleSpider(scrapy.Spi
import scrapy
class ExampleSpider(scrapy.Spider):
name = 'example'
start_urls = [
'http://www.example.com/'
]
def parse(self, response):
for item in response.css('li.item a.list-link::attr(href)').extract():
yield scrapy.Request(item, callback=self.parse_item)
next_page = response.xpath('//a[@title="Next page"]/@href').extract_first()
if next_page is not None:
yield scrapy.Request(next_page, callback=self.parse)
def parse_item(self, response):
title = response.css('h1.ad-title::text').extract_first()
price = response.css('span.price::text').extract_first()
yield {
'TITLE': title,
'PRICE': price,
'URL': response.url
}
您可以使用csv(或者任何其他数据结构)来实现这一点
让immagine你爬过两次,现在你必须:
$ cat items1.csv
some_url, foo1, bar1
some_url2, foo2, bar2
some_url3, foo3, bar3
$ cat items2.csv
some_url, foo1, bar1
some_url3, foo3, bar3
我们可以做的是从这些文件中加载所有URL,将值转换为pythonset
s,并在两个集合上调用set.difference
,以查看数据集的差异
import csv
def read_file(filename)
with open(filename, 'r') as csvfile:
csvreader = csv.reader(csvfile)
urls = [row[0] for row in csvreader]
return set(urls)
urls1 = read_file('items1.csv')
# returns {'some_url', 'some_url2', 'some_url3'}
urls2 = read_file('items2.csv')
# returns {'some_url', 'some_url3'}
# find the difference
deleted_urls = urls1.difference(urls2)
#returns: {'some_url2'}
你需要一个数据库