好吧，我知道是大半夜……，但我還是覺得趕緊花上半個小時，把這最新的想法分享出來是值得的~直接進入正題~
我們來模擬一個場景，需要你去抓去一個頁面，然后這個頁面有好多url也要分別去抓取，而進入這些子url后，還有數(shù)據(jù)要抓取。簡單點，我們就按照三層來看，那我們的代碼就是如下：
def func_top(url):
data_dict= {}
#在頁面上獲取到子url
sub_urls = xxxx
data_list = []
for it in sub_urls:
data_list.append(func_sub(it))
data_dict[/'data/'] = data_list
return data_dict
def func_sub(url):
data_dict= {}
#在頁面上獲取到子url
bottom_urls = xxxx
data_list = []
for it in bottom_urls:
data_list.append(func_bottom(it))
data_dict[/'data/'] = data_list
return data_dict
def func_bottom(url):
#獲取數(shù)據(jù)
data = xxxx
return data
func_top是上層頁面的處理函數(shù)，func_sub是子頁面的處理函數(shù)，func_bottom是最深層頁面的處理函數(shù)，func_top會在取到子頁面url后遍歷調用func_sub,func_sub也是同樣。
如果正常情況下，這樣確實已經滿足需求了，但是偏偏這個你要抓取的網(wǎng)站可能極不穩(wěn)定，經常鏈接不上，導致數(shù)據(jù)拿不到。
于是這個時候你有兩個選擇:
1.遇到錯誤就停止，之后重新從斷掉的位置開始重新跑
2.遇到錯誤繼續(xù)，但是要在之后重新跑一遍，這個時候已經有的數(shù)據(jù)不希望再去網(wǎng)站拉一次，而只去拉沒有取到的數(shù)據(jù)
對第一種方案基本無法實現(xiàn)，因為如果別人網(wǎng)站的url調整順序，那么你記錄的位置就無效了。那么只有第二種方案，說白了，就是要把已經拿到的數(shù)據(jù)cache下來，等需要的時候，直接從cache里面取。
OK，目標已經有了，怎么實現(xiàn)呢？
如果是在C++中的，這是個很麻煩的事情，而且寫出來的代碼必定丑陋無比，然而慶幸的是，我們用的是python，而python對函數(shù)有裝飾器。
所以實現(xiàn)方案也就有了:
定義一個裝飾器，如果之前取到數(shù)據(jù)，就直接取cache的數(shù)據(jù)；如果之前沒有取到，那么就從網(wǎng)站拉取，并且存入cache中.
代碼如下:
def get_dump_data(dir_name, url):
m = hashlib.md5(url)
filename = m.hexdigest()
full_file_name = /'dumps/%s/%s/' % (dir_name,filename)
if os.path.isfile(full_file_name):
return eval(file(full_file_name,/'r/').read())
else:
return None
def set_dump_data(dir_name, url, data):
if not os.path.isdir(/'dumps//'+dir_name):
os.makedirs(/'dumps//'+dir_name)
m = hashlib.md5(url)
filename = m.hexdigest()
full_file_name = /'dumps/%s/%s/' % (dir_name,filename)
f = file(full_file_name, /'w+/')
f.write(repr(data))
f.close()
def deco_dump_data(func):
def func_wrapper(url):
data = get_dump_data(func.__name__,url)
if data is not None:
return data
data = func(url)
if data is not None:
set_dump_data(func.__name__,url,data)
return data
return func_wrapper
然后，我們只需要在每個func_top,func_sub,func_bottom都加上deco_dump_data這個裝飾器即可~~搞定！這樣做最大的好處在于，因為top,sub,bottom，每一層都會dump數(shù)據(jù)，所以比如某個sub層數(shù)據(jù)dump之后，是根本不會走到他所對應的bottom層的，減少了大量的開銷！
OK，就這樣~ 人生苦短，我用python！
