scrapy-redis

 

 

不使用scrapy-redis的：

最初始的方法：

 

settings里面：

 

# DUPEFILTER_CLASS = 'scrapy_pro1.dupfliter.DupFilter'

 

 

from   scrapy.dupefilter import  BaseDupeFilter
from  scrapy.utils.request import  request_fingerprint##加密
import redis
class   DupFliter(BaseDupeFilter):
    def   __init__(self):
        self.dupdic=set()
    @classmethod##名字不能更改
    def from_settings(cls, settings):
        return cls()
    def  request_seen(self,request):
        url=request_fingerprint(request)
        if  url  in  self.dupdic:
            return  True
        self.dupdic.add(url)
        print('添加成功',request.url)

配置了redis的去重方法：（通过集合sadd是否可以添加进去判断存不存在）

 

settings里面：

# DUPEFILTER_CLASS = 'scrapy_pro1.dupfliter.DupFilter'

去重类：

from   scrapy.dupefilter import  BaseDupeFilter
from  scrapy.utils.request import  request_fingerprint##加密
import redis
class   DupFliter(BaseDupeFilter):
    def   __init__(self):
        self.dupdic=redis.Redis(host='127.0.0.1',port=6379)
    def  request_seen(self,request):
        url=request_fingerprint(request)
        print(url)
        print('执行去重')
        exist=self.dupdic.sadd('scrapy_urls2', url)  ##做判断，看是否是相等的
        if  exist==0:
            print('已经存在', request.url)
            return True
        print('添加成功', request.url)
        return  False
        ##如果是添加成功的haul，那么久返回fasle，不做处理，如果返回true就会执行下一个yield

使用scrapy-redis的：

第一种去重方法：
原生的scrapy-redis去重：

settings里面：

DUPEFILTER_CLASS = 'scrapy_redis.dupefilter.RFPDupeFilter'##自带的去重类

第二种去重方法：
（自定义部分，由于使用原生的scrapy-redis保存的记录会在执行完之后自动清除，而且key也是时间戳来保存的
所以继承RFPDupeFilter类，弥补了上面的缺陷）

settings配置：

REDIS_HOST = 'localhost'                            
REDIS_PORT = 6379                                   
# REDIS_PARAMS  = {'password':'beta'}    #Redis连接参数，默认：REDIS_PARAMS = {'socket_timeout': 30,'socket_connect_timeout': 30,'retry_on_timeout': True,'encoding': REDIS_ENCODING,}）
REDIS_ENCODING = "utf-8"                            

# REDIS_URL = 'redis://user:pass@hostname:6379' #连接URL（优先于以上配置）
DUPEFILTER_KEY = 'dupefilter:%(timestamp)s'

DUPEFILTER_CLASS = 'scrapy_pro1.dupfliter.RedisDupeFilter'##自带的去重类

去重类：

from scrapy_redis.dupefilter import RFPDupeFilter
from scrapy_redis.connection import get_redis_from_settings
from scrapy_redis import defaults
class RedisDupeFilter(RFPDupeFilter):
    @classmethod
    def from_settings(cls, settings):
        server = get_redis_from_settings(settings)
        # TODO: Use SCRAPY_JOB env as default and fallback to timestamp.
        key = defaults.DUPEFILTER_KEY % {'timestamp': '记录key'}
        debug = settings.getbool('DUPEFILTER_DEBUG')
        return cls(server, key=key, debug=debug)