好吧，我知道是大半夜……，但我還是覺得趕緊花上半個小時，把這最新的想法分享出來是值得的~直接進入正題~

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(shù)據(jù)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：

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(shù)據(jù)  
    data = xxxx  
    return data 

func_top是上層頁面的處理函數(shù)，func_sub是子頁面的處理函數(shù)，func_bottom是最深層頁面的處理函數(shù)，func_top會在取到子頁面url后遍歷調(diào)用func_sub,func_sub也是同樣。

如果正常情況下，這樣確實已經(jīng)滿足需求了，但是偏偏這個你要抓取的網(wǎng)站可能極不穩(wěn)定，經(jīng)常鏈接不上，導致數(shù)據(jù)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(xù)，但是要在之后重新跑一遍，這個時候已經(jīng)有的數(shù)據(jù)不希望再去網(wǎng)站拉一次，而只去拉沒有取到的數(shù)據(jù)

對第一種方案基本無法實現(xiàn)，因為如果別人網(wǎng)站的url調(diào)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(jīng)拿到的數(shù)據(jù)cache下來，等需要的時候，直接從cache里面取。

OK，目標已經(jīng)有了，怎么實現(xiàn)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(shù)有裝飾器。

所以實現(xiàn)方案也就有了:

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

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 

然后，我們只需要在每個func_top,func_sub,func_bottom都加上deco_dump_data這個裝飾器即可~~

搞定!這樣做最大的好處在于，因為top,sub,bottom，每一層都會dump數(shù)據(jù)，所以比如某個sub層數(shù)據(jù)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!

原文鏈接：http://www.vimer.cn/2011/04/python%E8%A3%85%E9%A5%B0%E5%99%A8%E7%9A%84%E4%B8%80%E4%B8%AA%E5%A6%99%E7%94%A8.html

【編輯推薦】

1. Python編輯利器:PyCharm初探
2. 淺析Python中的列表解析和生成表達式
3. 自制Python函數(shù)幫助查詢小工具
4. 巧用IronPython做更靈活的網(wǎng)頁爬蟲
5. 一個Python程序員的進化