有个爬虫的疑问 - V2EX
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
hippoboy

有个爬虫的疑问

  •  
  •   hippoboy Jun 24, 2016 3599 views
    This topic created in 3610 days ago, the information mentioned may be changed or developed.
    我现在在写一个爬取全市餐厅的爬虫,精确到商圈
    入口是:全市餐厅的列表页
    我目前的做法是:
    1.获取每个区所有餐厅的 url(是一个列表页)
    2.通过区 url 列表页获取下属商圈的 url
    3.同时将市-区-商圈,单独一个 mysql 表建立了联动
    4.将商圈的 url 和 name 转 json 放入 redis 队列
    5.多线程 lpop 出来之后获取商圈所需要的信息

    现在遇到的问题是:

    再一次重新爬取,我没法区分商圈内哪些餐厅以前爬取过

    leader 的意思是修改我的逻辑
    不使用 redis,直接存 mysql,加个标志
    每次用 select top 取出来,然后操作完再 update 标志,记录爬过
    然后每次从 mysql 取,遇到爬过的就略过

    我现在有点犹豫:
    各位帮我解解?
    6 replies    2016-06-29 14:23:29 +08:00
    xsseroot
        1
    xsseroot  
       Jun 24, 2016
    将商圈的 url 和 name 做个 hash ,写到 redis 中每次判断下不就行了。
    jatesun
        2
    jatesun  
       Jun 24, 2016 via iPhone
    可以放到线程安全的 hash 表里
    chendajun
        3
    chendajun  
       Jun 24, 2016
    把抓过的 URL md5 一下,写到 redis , mongo 等。每来一个 URL 就与库里比较一下
    hwsdien
        4
    hwsdien  
       Jun 24, 2016
    把采集过的 url 放进 redis, 每次采集判断一下。
    bytenoob
        5
    bytenoob  
       Jun 24, 2016
    @xsseroot 头像已暴露
    practicer
        6
    practicer  
       Jun 29, 2016
    尽管让重复的 item 插进数据库,活干完后 SELECT DUMPS 掉
    About     Help     Advertise     Blog     API     FAQ     Solana     3136 Online   Highest 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 40ms UTC 14:59 PVG 22:59 LAX 07:59 JFK 10:59
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86