問題描述

有多條這樣類似的數(shù)據(jù)

{ '_id' : ObjectId('56d06f01c3666e08d0f0c844'), 'http://tieba.baidu.com/p/4345287300' : '【關(guān)于更新】作者原話', 'http://tieba.baidu.com/p/4328978430' : '服務(wù)。', 'http://tieba.baidu.com/p/4372502982' : '『誅魂記』第331章：圣東王府', 'http://tieba.baidu.com/p/4355241530' : '『誅魂記』第322章：麒麟之威', 'http://tieba.baidu.com/p/4329505585' : '『誅魂記』第313章：泣血跪求', 'http://tieba.baidu.com/p/4343824178' : '新年快樂啦啦啦', 'http://tieba.baidu.com/p/4328603018' : '寫小說好看嗎', 'http://tieba.baidu.com/p/4333008061' : '來吧，你我君臣一場', 'http://tieba.baidu.com/p/4315565196' : '『誅魂記』第305章：臨危受命', 'http://tieba.baidu.com/p/4340906961' : '『誅魂記』第320章：擒賊擒王', 'http://tieba.baidu.com/p/4337476352' : '新年到了，是不是發(fā)紅包了' }

我想在上面的數(shù)據(jù)當(dāng)中獲得能夠匹配：『誅魂記』 的連接以及后面的文本數(shù)據(jù)，例如

'http://tieba.baidu.com/p/4329505585' : '『誅魂記』第313章：泣血跪求'

這樣，同時(shí)把得查詢到的結(jié)構(gòu)存到另外一個(gè)表中，以及得到

'http://tieba.baidu.com/p/4329505585' : '『誅魂記』第313章：泣血跪求'

中的連接 http://tieba.baidu.com/p/4329505585

最近開始在接觸一些爬蟲相關(guān)的東西，想自己做個(gè)東西出來，實(shí)在是捉急了。

下面是python里面的代碼

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)

問題解答

為什么不在抓取的時(shí)候直接根據(jù)data里面的內(nèi)容是否包含“『誅魂記』”來過濾一下呢？

>>> s = '『誅魂記』第331章：圣東王府'>>> '『誅魂記』' in sTrue>>> s = '新年快樂啦啦啦'>>> '『誅魂記』' in sFalse