scrapy去重问题

scrapy官方文档的去重模块，只能实现对当前抓取数据的去重，下面是官方 API

1. from scrapy.exceptions import DropItem
2. class DuplicatesPipeline(object):
3. def __init__(self):
4. self.ids_seen = set()
5. def process_item(self, item, spider):
6. if item['id'] in self.ids_seen:
7. raise DropItem("Duplicate item found: %s" % item)
8. else:
9. self.ids_seen.add(item['id']) ##这里换成你自己的item["#"]
10. return item

当有一天需求变了，在你像mysql 数据库保存的时候，发现已经有一部分已经存在，有一部分新的数据，你又需要添加到mysql数据库中，这时候你就需要通过redis来作为中间件，通过url来确保爬过的数据不会再爬，做到增量爬取，

1. from redis import Redis
2. import pandas as pd
3. import pymysql
5. redis_db = Redis(host='your_setting', port=6379, db=4) #连接redis
6. redis_data_dict = "k_url"
8. class FirstScrapyPipeline(object):
9. def __init__(self):
10. self.connect = pymysql.connect(host='your_seting', port=3306, user=user,password='yourseting',database='yourpassword,'db='dbname',charset=vacher)
11. self.cursor = self.connect.cursor()##这里我是先将数据存到mysql数据库，建立游标
12. redis_db.flushdb()## 删除redis里面的key
14. if redis_db.hlen(redis_data_dict) == 0:
15. sql = "SELECT url FROM ts_dobn;
16. df = pd.read_sql(sql, self.connect)# 读MySQL数据
17. for url in df['url'].get_values(): # 把每一条的值写入key的字段里
18. redis_db.hset(redis_data_dict, url, 0)
19. def process_item(self, item, spider):
20. if redis_db .hexists (redis_data_dict, item['url']): # 取item里的url和key里的字段对比，看是否存在，存在就丢掉这个item。不存在返回item给后面的函数处理
21. raise DropItem("Duplicate item found: %s" % item)
22. values = [item["title"],item['start'],item['desc'],item['url']]
23. self.do_insert(values)
24. self.connect.commit()
25. return item
26. def do_insert(self,values):
27. sql = 'insert into ts_douban VALUES (0,%s,%s,%s,%s)'
28. self.cursor.execute(sql,values)
29. def close_spider(self,spider):
30. self.connect.close()