如何使用 Scrapy 从数据库中删除过期项目

Question

我正在使用爬取一个视频网站，该网站的内容经常过期。我正在考虑使用scrapy 进行爬取，但不确定如何删除过期项目。

检测物品是否过期的策略是：

1. 蜘蛛网站的“delete.rss”。
2. 每隔几天，尝试重新加载内容页面并确保它仍然有效。
3. 爬取网站内容索引的每一页，如果找不到视频，则将其删除。

请告诉我如何删除 scrapy 中的过期项目。我将通过 django 将我的 scrapy 项目存储在 mysql DB 中。

2010-01-18 更新

我找到了一个可行的解决方案，但仍可能不是最佳的。我在我同步的每个视频上都维护一个“found_in_last_scan”标志。当蜘蛛启动时，它将所有标志设置为 False。完成后，它会删除仍将标志设置为 False 的视频。我通过附加到signals.spider_opened 和signals.spider_closed 来做到这一点，请确认这是一个有效的策略并且没有任何问题。

Answer 1

我没有测试过这个！
我不得不承认我没有尝试在 Scrapy 中使用 Django 模型，但是这里是：

我想最简单的方法是通过扩展 XMLFeedSpider 为 deleted.rss 文件创建一个新的蜘蛛（从 scrapy 文档复制，然后修改）。我建议你创建一个新的蜘蛛，因为以下逻辑很少与用于抓取网站的逻辑相关：

from scrapy import log
from scrapy.contrib.spiders import XMLFeedSpider
from myproject.items import DeletedUrlItem

class MySpider(XMLFeedSpider):
    domain_name = 'example.com'
    start_urls = ['http://www.example.com/deleted.rss']
    iterator = 'iternodes' # This is actually unnecesary, since it's the default value
    itertag = 'item'

    def parse_node(self, response, url):
        url['url'] = node.select('#path/to/url').extract()

        return url # return an Item 

SPIDER = MySpider()

这不是供您使用的工作蜘蛛，但 IIRC 的 RSS 文件是纯 XML。我不确定deleted.rss 的外观如何，但我相信您可以弄清楚如何从 XML 中提取 URL。现在，此示例导入​​ myproject.items.DeletedUrlItem，在此示例中它只是一个字符串，但您需要使用以下代码创建 DeletedUrlItem：

您需要创建 DeletedUrlItem：

class DeletedUrlItem(Item):
    url = Field()

你 delete the items using Django's Model API 不是保存，而是 Scrapy's ItemPipeline - 我假设你使用的是 DjangoItem：

# we raise a DropItem exception so Scrapy
# doesn't try to process the item any further
from scrapy.core.exceptions import DropItem

# import your model
import django.Model.yourModel

class DeleteUrlPipeline(item):

    def process_item(self, spider, item):
        if item['url']:
            delete_item = yourModel.objects.get(url=item['url'])
            delete_item.delete() # actually delete the item!
            raise DropItem("Deleted: %s" % item)

注意delete_item.delete()。

---

我知道这个答案可能包含错误，它是由内存编写的 :-) 但如果您有 cmets 或无法弄清楚，我一定会更新。

Answer 2

如果您怀疑有一个 HTTP URL 可能不再有效（因为您在“已删除”的 Feed 中找到它，或者只是因为您有一段时间没有检查它），那么最简单、最快检查的方法是为该 URL 发送 HTTP HEAD 请求。在 Python 中，最好使用标准库的 httplib 模块来完成：使用 HTTPConnection 将连接对象 c 连接到感兴趣的主机（如果是 HTTP 1.1，它可能可以重用以检查多个 URL，并具有更好的性能和降低系统负载），然后执行一个（或多个，如果可行，即如果使用 HTTP 1.1）调用c 的request 方法，第一个参数“HEAD”，第二个参数是您正在检查的 URL（当然没有主机部分；-)。

在每个request 之后调用c.getresponse() 以获取HTTPResponse 对象，其status 属性会告诉您该URL 是否仍然有效。

是的，它有点低级，但正是由于这个原因，它可以让您更好地优化您的任务，只需一点 HTTP 知识；-)。