2024年Python最全认识爬虫：怎样管理爬虫过程中已使用和未使用的 URL 地址？

8 self.queue = deque()

9 # 定义已经爬取的集合，使用 set 集合保证去重

10 self.set = set()

2、将页面上获取到的 url 添加到没有爬取的队列

1def add_nocrawl_url(self,url):

2 ‘’’

3 :return: 将爬取的新的 url 添加到未爬取队列

4 ‘’’

5 # 校验 url 是否为 None

6 if url is None:

7 # 返回 False

8 return False

9 # 校验 url 是否已经存在在已经爬取或未被爬取的集合

10 elif url not in self.queue and url not in self.set:

11 # 若不存在时，则将该条新的 url 添加到未被爬取的队列中

12 self.queue.append(url)

13 # 返回 True

14 return True

3、获取一条 url 进行下一次爬虫

1def get_nocrawl_url(self):

2 ‘’’

3 :return: 获取一个未爬取的 url

4 ‘’’

5 # 取出一个没有爬取的 url

6 nocrawl_url = self.queue.popleft()

7 # 将未爬取的 url 添加到已经爬取的 url 集合中

8 self.set.add(nocrawl_url)

9 return nocrawl_url

4、获取未爬取或已经爬取的 url 长度

1def get_nocrawl_size(self):

2 ‘’’

3 :return: 获取待爬取的队列长度

4 ‘’’

5 nocrawl_size = len(self.queue)

6 return nocrawl_size
文末有福利领取哦~

👉一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

👉二、Python必备开发工具

👉三、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉 四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（文末领读者福利）

👉五、Python练习题

检查学习结果。

👉六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

👉因篇幅有限，仅展示部分资料，这份完整版的Python全套学习资料已经上传

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！