标签：host 工作 update data god 重复 mat 主播 gap
接上一篇的，发现爬斗鱼主播信息存入Mongodb数据库后，发现很多重复的数据，毕竟斗鱼不可能有这么多的主播，所以很多页是有重复的主播房间的。
查了一下怎么去重，发现比较麻烦，与其存入重复的数据后面再去重，还不如在存入数据库的时候就检查，不去存入重复的数据，这样就避免了后期再去做去重工作。于是改动如下：
#-*- coding:utf-8 -*- #_author:John #date:2018/10/25 0:07 #softwave: PyCharm import requests import json from multiprocessing import Pool import pymongo client = pymongo.MongoClient(‘localhost‘) db = client[‘douyu‘] def single_page_info(page): respones = requests.get(‘https://www.douyu.com/gapi/rkc/directory/0_0/{}‘.format(page)) datas = json.loads(respones.text) items = datas[‘data‘][‘rl‘] for item in items: data = { ‘标题‘: item[‘rn‘], ‘主播‘: item[‘nn‘], ‘人气‘ : item[‘ol‘], } if db[‘ajax_spider_quchong‘].update({‘主播‘:data[‘主播‘]}, {‘$set‘: data}, True): print(‘Save to Mongo, {}‘.format(data)) else: print(‘Save to Mong fail, {}‘.format(data)) print(‘已经完成第{}页‘.format(page)) if __name__ == ‘__main__‘: pool = Pool() #多线程抓200页 pool.map(single_page_info, [page for page in range(1, 200)])
标签：host 工作 update data god 重复 mat 主播 gap
原文地址：https://www.cnblogs.com/lkd8477604/p/9848958.html
