背景
有时候爬虫爬过的url需要进行指纹核对，比如Scrapy就是进行指纹核对，如果是指纹重复则不再爬取。当然在入库的时候我还是需要做一次核对，否则如果爬虫有漏掉，进入数据库就不合适了。
思路
根据Scrapy的指纹生成方式，这次的指纹生成方式也是用hash的MD5对目标URL进行加密，生成固定长度的字符串，然后在数据库里面将字段设置成unique，这样的话在保证url固定长度的情况下还能够保证入库后的唯一性，进最大努力避免出现重复的数据。
指纹生成代码
新建一个文件，然后在里面编写指纹生成的方法，在使用的时候from import进来，调用方法即可。代码为：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import hashlib def get_md5(url): """ 由于hash不处理unicode编码的字符串（python3默认字符串是unicode） 所以这里判断是否字符串，如果是则进行转码 初始化md5、将url进行加密、然后返回加密字串 """ if isinstance(url, str): url = url.encode("utf-8") md = hashlib.md5() md.update(url) return md.hexdigest() |
为了验证代码的可用性，再加上代码：
|
1
2
3
|
if __name__ == "__main__": urls = "http://www.baidus.com" print(get_md5(urls)) |
在本地运行无误，再把下面这串删除。等到调用的时候from import get_md5把文件和方法引入，就可以使用了
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/QuinnSpider/article/details/82847152
