无法使用删除重复的结果

Question

我已经用python编写了一个脚本来刮取表名为England下的所有链接，然后在脚本到达内页时使用这些链接，它将刮取下一页链接。我知道如果我修复脚本中使用的XPath，我可能会得到唯一的下一页URL。你知道吗

但是，这里的主要目标是确定为什么我的脚本即使在使用set()时也会产生重复。你知道吗

我的剧本：

import requests
from lxml.html import fromstring
from urllib.parse import urljoin

link = "http://tennishub.co.uk/"

processed_links = set()
processed_nextpage_links = set()

def get_links(url):
    response = requests.get(url)
    tree = fromstring(response.text)

    unprocessed_links = [urljoin(link,item.xpath('.//a/@href')[0]) for item in tree.xpath('//*[@class="countylist"]')]
    for nlink in unprocessed_links:
        if nlink not in processed_links:
            processed_links.add(nlink)
    get_nextpage_links(processed_links)

def get_nextpage_links(itemlinks):
    for ilink in itemlinks:
        response = requests.get(ilink)
        tree = fromstring(response.text)
        titles = [title.xpath('.//a/@href')[0] for title in tree.xpath('//div[@class="pagination"]') if title.xpath('.//a/@href')]
        for ititle in titles:
            if ititle not in processed_nextpage_links:
                processed_nextpage_links.add(ititle)

        for rlink in processed_nextpage_links:
            print(rlink)

if __name__ == '__main__':
    get_links(link)

结果我发现：

/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Cheshire/2
/tennis-clubs-by-county/Derbyshire/2
/tennis-clubs-by-county/Durham/2
/tennis-clubs-by-county/Cheshire/2
/tennis-clubs-by-county/Derbyshire/2
/tennis-clubs-by-county/Durham/2

Answer 1

请尝试以下脚本。结果发现，你的xapth在解析一个特定的块时有一些缺陷，正如@tripleee在他的评论中已经提到的那样。我在follong脚本中使用set()的方式略有不同。现在，它应该产生独特的联系。你知道吗

import requests
from lxml.html import fromstring
from urllib.parse import urljoin

link = "http://tennishub.co.uk/"

def get_links(url):
    response = requests.get(url)
    tree = fromstring(response.text)
    crude_links = set([urljoin(link,item) for item in tree.xpath('//*[@class="countylist"]//a/@href') if item])
    return crude_links

def get_nextpage(link):
    response = requests.get(link)
    tree = fromstring(response.text)
    titles = set([title for title in tree.xpath('//div[@class="pagination"]//a/@href') if title])
    return titles

if __name__ == '__main__':
    for next_page in get_links(link):
        for unique_link in get_nextpage(next_page):
            print(unique_link)

Answer 2

每次调用get_nextpage_links时，都会打印到目前为止收集的所有链接。你知道吗

我想您应该完全删除print，完成后只打印列表，最好是在任何def之外（使函数可重用，并将任何外部副作用推迟到调用代码）。你知道吗

没有全局变量的更好的解决方案可能是让get_links收集一个集合并返回它，无论何时调用它，都将对集合的引用传递给get_nextpage_links，并且（显然）让它添加任何新链接。你知道吗

因为您使用的是集合，所以在添加链接之前，不需要特别检查链接是否已经在集合中。无法将副本添加到此数据类型。你知道吗

Answer 3

每次你打电话的时候

        for rlink in processed_nextpage_links:
            print(rlink)

打印它是因为for循环在for循环中，在集合中添加链接