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，還有數據要抓取。簡單點，我們就按照三層來看，那我們的代碼就是如下：

代碼如下:

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):
#獲取數據
data = xxxx
return data

func_top是上層頁面的處理函數，func_sub是子頁面的處理函數，func_bottom是最深層頁面的處理函數，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站可能極不穩定，經常鏈接不上，導致數據拿不到。

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，但是要在之后重新跑一遍，這個時候已經有的數據不希望再去網站拉一次，而只去拉沒有取到的數據

對第一種方案基本無法實現，因為如果別人網站的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據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對函數有裝飾器。

所以實現方案也就有了:

定義一個裝飾器，如果之前取到數據，就直接取cache的數據；如果之前沒有取到，那么就從網站拉取，并且存入cache中.

代碼如下:

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

搞定！這樣做最大的好處在于，因為top,sub,bottom，每一層都會dump數據，所以比如某個sub層數據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！

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com