好吧，我知道是大半夜……，但我还是觉得赶紧花上半个小时，把这最新的想法分享出来是值得的~直接进入正题~
我们来模拟一个场景，需要你去抓去一个页面，然后这个页面有好多url也要分别去抓取，而进入这些子url后，还有数据要抓取。简单点，我们就按照三层来看，那我们的代码就是如下：
- def func_top(url):
- data_dict= {}
- #在页面上获取到子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= {}
- #在页面上获取到子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):
- #获取数据
- data = xxxx
- return data
func_top是上层页面的处理函数，func_sub是子页面的处理函数，func_bottom是最深层页面的处理函数，func_top会在取到子页面url后遍历调用func_sub,func_sub也是同样。
如果正常情况下，这样确实已经满足需求了，但是偏偏这个你要抓取的网站可能极不稳定，经常链接不上，导致数据拿不到。
于是这个时候你有两个选择:
◆ 1. 遇到错误就停止，之后重新从断掉的位置开始重新跑
◆ 2. 遇到错误继续，但是要在之后重新跑一遍，这个时候已经有的数据不希望再去网站拉一次，而只去拉没有取到的数据
对第一种方案基本无法实现，因为如果别人网站的url调整顺序，那么你记录的位置就无效了。那么只有第二种方案，说白了，就是要把已经拿到的数据cache下来，等需要的时候，直接从cache里面取。
OK，目标已经有了，怎么实现呢?
如果是在C++中的，这是个很麻烦的事情，而且写出来的代码必定丑陋无比，然而庆幸的是，我们用的是Python，而Python对函数有装饰器。
所以实现方案也就有了:
定义一个装饰器，如果之前取到数据，就直接取cache的数据;如果之前没有取到，那么就从网站拉取，并且存入cache中.
代码如下:
- 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，我们只需要在每个func_top,func_sub,func_bottom都加上deco_dump_data这个装饰器即可~~
搞定!这样做最大的好处在于，因为top,sub,bottom，每一层都会dump数据，所以比如某个sub层数据dump之后，是根本不会走到他所对应的bottom层的，减少了大量的开销!
OK，就这样~ 人生苦短，我用Python!
原文链接：http://www.vimer.cn/2011/04/python%E8%A3%85%E9%A5%B0%E5%99%A8%E7%9A%84%E4%B8%80%E4%B8%AA%E5%A6%99%E7%94%A8.html
【编辑推荐】
