gocolly：如何防止重复爬行，限制唯一的url爬行一次

今日不肯埋头，明日何以抬头！每日一句努力自己的话哈哈~哈喽，今天我将给大家带来一篇《gocolly：如何防止重复爬行，限制唯一的url爬行一次》，主要内容是讲解等等，感兴趣的朋友可以收藏或者有更好的建议在评论提出，我都会认真看的！大家一起进步，一起学习！

我正在用下面的代码尝试go-colly，它似乎多次抓取相同的url，如何限制一次抓取？

我怀疑“parallellsim:2”导致了重复，但是，某些抓取消息 url 每个重复超过 10 次。

可在不同网站上重现。

gocolly 很精简而且很棒。

func main() {
    c := colly.NewCollector(
        colly.AllowedDomains( "www.coursera.org"),
        colly.Async(true),
    )

    c.Limit(&colly.LimitRule{
        DomainGlob: "*",
         Parallelism: 2,
    })

    c.OnHTML("a[href]", func(e *colly.HTMLElement) {
        link := e.Attr("href")
        e.Request.Visit(link)
    })
    pageCount :=0
    c.OnRequest(func(r *colly.Request) {
        r.Ctx.Put("url", r.URL.String())
    })

    // Set error handler
    c.OnError(func(r *colly.Response, err error) {
        log.Println("Request URL:", r.Request.URL, "failed with response:", r, "\nError:", err)
    })

    // Print the response
    c.OnResponse(func(r *colly.Response) {
        pageCount++
        urlVisited := r.Ctx.Get("url")
        log.Println(fmt.Sprintf("%d  DONE Visiting : %s", pageCount, urlVisited))
    })

    baseUrl := "https://www.coursera.org"
    c.Visit(baseUrl)
    c.Wait()
}

解决方案

如果您使用 e.request.visit(link)，则 ctx 在请求之间共享，因此其他请求可能会覆盖数据。在这些情况下尝试使用 c.visit()。它为每个请求创建新的上下文。

此外，您不需要在上下文中存储 url，它始终可以在使用 r.request.url 的 onresponse 回调中使用。

将日志消息更改为以下内容，以便能够看到真实的请求网址：

log.Println(fmt.Sprintf("%d  DONE Visiting : %s", pageCount, r.Request.URL))

理论要掌握，实操不能落！以上关于《gocolly：如何防止重复爬行，限制唯一的url爬行一次》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！