有多条这样类似的数据
{ "_id" : ObjectId("56d06f01c3666e08d0f0c844"),
"http://tieba.baidu.com/p/4345287300" : "【关于更新】作者原话",
"http://tieba.baidu.com/p/4328978430" : "服务。",
"http://tieba.baidu.com/p/4372502982" : "『诛魂记』第331章:圣东王府",
"http://tieba.baidu.com/p/4355241530" : "『诛魂记』第322章:麒麟之威",
"http://tieba.baidu.com/p/4329505585" : "『诛魂记』第313章:泣血跪求",
"http://tieba.baidu.com/p/4343824178" : "新年快乐啦啦啦",
"http://tieba.baidu.com/p/4328603018" : "写小说好看吗",
"http://tieba.baidu.com/p/4333008061" : "来吧,你我君臣一场",
"http://tieba.baidu.com/p/4315565196" : "『诛魂记』第305章:临危受命",
"http://tieba.baidu.com/p/4340906961" : "『诛魂记』第320章:擒贼擒王",
"http://tieba.baidu.com/p/4337476352" : "新年到了,是不是发红包了"
}
我想在上面的数据当中获得能够匹配:『诛魂记』 的连接以及后面的文本数据,例如
"http://tieba.baidu.com/p/4329505585" : "『诛魂记』第313章:泣血跪求"
这样,
同时把得查询到的结构存到另外一个表中,以及得到
"http://tieba.baidu.com/p/4329505585" : "『诛魂记』第313章:泣血跪求"
中的连接 http://tieba.baidu.com/p/4329505585
最近开始在接触一些爬虫相关的东西,想自己做个东西出来,实在是捉急了。
下面是python里面的代码
def craw(self, root_urls):
for new_url in root_urls:
html_cont = self.downloader.download(new_url)
new_chapter_urls, new_linkdatas = self.parser.parselink(root_chapter_url, html_cont)
mid_data = zip(new_chapter_urls,new_linkdatas)
mid_mid_datas = dict((new_chapter_urls,new_linkdatas) for new_chapter_urls,new_linkdatas in mid_data)
c = pymongo.MongoClient(host='127.0.0.1', port=27017)
db = c.spider
db.chapter_datas.insert(mid_mid_datas, check_keys=False)
クロール時にデータのコンテンツに「Hun Zhu Ji」が含まれるかどうかに基づいて直接フィルタリングしてみてはいかがでしょうか?
リーリー