gocolly:如何防止重复爬行,限制唯一的url爬行一次
来源:stackoverflow
时间:2024-04-13 14:48:35 238浏览 收藏
今日不肯埋头,明日何以抬头!每日一句努力自己的话哈哈~哈喽,今天我将给大家带来一篇《gocolly:如何防止重复爬行,限制唯一的url爬行一次》,主要内容是讲解等等,感兴趣的朋友可以收藏或者有更好的建议在评论提出,我都会认真看的!大家一起进步,一起学习!
问题内容
我正在用下面的代码尝试go-colly,它似乎多次抓取相同的url,如何限制一次抓取?
我怀疑“parallellsim:2”导致了重复,但是,某些抓取消息 url 每个重复超过 10 次。
可在不同网站上重现。
gocolly 很精简而且很棒。
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() }
解决方案
如果您使用 e.request.visit(link)
,则 ctx
在请求之间共享,因此其他请求可能会覆盖数据。在这些情况下尝试使用 c.visit()
。它为每个请求创建新的上下文。
此外,您不需要在上下文中存储 url,它始终可以在使用 r.request.url
的 onresponse
回调中使用。
将日志消息更改为以下内容,以便能够看到真实的请求网址:
log.Println(fmt.Sprintf("%d DONE Visiting : %s", pageCount, r.Request.URL))
理论要掌握,实操不能落!以上关于《gocolly:如何防止重复爬行,限制唯一的url爬行一次》的详细介绍,大家都掌握了吧!如果想要继续提升自己的能力,那么就来关注golang学习网公众号吧!
声明:本文转载于:stackoverflow 如有侵犯,请联系study_golang@163.com删除
相关阅读
更多>
-
502 收藏
-
502 收藏
-
501 收藏
-
501 收藏
-
501 收藏
最新阅读
更多>
-
139 收藏
-
204 收藏
-
325 收藏
-
477 收藏
-
486 收藏
-
439 收藏
-
357 收藏
-
352 收藏
-
101 收藏
-
440 收藏
-
212 收藏
-
143 收藏
课程推荐
更多>
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 立即学习 542次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 立即学习 508次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 立即学习 497次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 立即学习 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 立即学习 484次学习