scrapy的去重机制

标签：sha   源码   文件   nbsp   span   enqueue   url   算法   简单   

scrapy是通过hashlib算法转成长度一致的url，然后再通过set集合去重的，有兴趣看源码

去重的中间件在scrapy 的 dupefilters.py文件中：

-->  #去重器

RFDupeFilter()

-->有个函数叫

request_seen()
#被scrapy/core/scheduler.py调用

这个是调度器

scheduler.py#文件中有个函数叫enqueue_request()的函数
每来一个url就是通过这个函数来执行的

每次执行之前都会调用到    request_seen(request)   这个方法

这个方法就会生成一个指纹，指纹下面的掉用的就比较复杂了，简单的说就是要去执行       hashlib.sha1()       这个算法来生成一个固定长度的哈兮值

再然后就是在那个去重器中的

self.fingerprints = set() 

就是通过上句代码执行了set集合来去重了

scrapy的去重机制

标签：sha   源码   文件   nbsp   span   enqueue   url   算法   简单   

原文地址：https://www.cnblogs.com/ArtisticMonk/p/9741350.html