如何使用Scrapy从数据库中删除过期的项目

Question

我正在使用蜘蛛抓取内容经常过期的视频网站。我正在考虑使用 scrapy 进行抓取，但不确定如何删除过期的项目。

检测项目是否过期的策略是：

1. 抓取网站的“delete.rss”。
2. 每隔几天，尝试重新加载内容页面并确保其仍然有效。
3. 抓取网站内容索引的每个页面，如果找不到视频，则将其删除。

请告诉我如何删除 scrapy 中过期的项目。我将通过 django 将我的 scrapy 项目存储在 mysql 数据库中。

2010-01-18 更新

我找到了一个可行的解决方案，但仍然可能不是最佳的。我在同步的每个视频上维护一个“found_in_last_scan”标志。当蜘蛛启动时，它会将所有标志设置为 False。完成后，它会删除标志仍设置为 False 的视频。我通过附加到 signals.spider_opened 和 signals.spider_close 来完成此操作，请确认这是一个有效的策略并且没有任何问题。

Answer 1

我还没有测试过！
我必须承认，我还没有尝试在 Scrapy 中使用 Django 模型，但这里是：

我想象的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）。我建议您创建一个新的蜘蛛，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()

这不是可供您使用的工作蜘蛛，但 IIRC RSS 文件是纯 XML。我不确定 deleted.rss 是什么样子，但我确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，但您需要使用如下代码创建 DeletedUrlItem：

您需要创建 DeletedUrlItem ：

class DeletedUrlItem(Item):
    url = Field()

您不保存，而是删除项目在 Scrapy 的 ItemPipeline - 我假设您正在使用 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，它是凭记忆写的:-)，但如果您有评论或无法弄清楚这一点，我一定会更新。

Answer 2

如果您怀疑某个 HTTP URL 可能不再有效（因为您在“已删除”提要中发现了它，或者只是因为您有一段时间没有检查它），那么最简单、最快的检查方法是发送针对该 URL 的 HTTP HEAD 请求。在 Python 中，最好使用 httplib 模块标准库的：使用 HTTPConnection （如果是 HTTP 1.1，则可以重复使用以检查具有更好性能和较低系统负载的多个 URL），然后执行一个（或多个，如果可行的话，即如果 HTTP 1.1正在使用） 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；-）。

在每个请求之后，您调用c.getresponse()来获取HTTPResponse 对象，其 status 属性将告诉您 URL 是否仍然有效。

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