如何对爬取对象取重?

发布于 2021-11-24 22:05:41 字数 75 浏览 767 评论 4

如何对爬取对象取重?

每次启动爬虫,都会从目标页上抓取链接,怎样保证每次只抓取最新的链接,也就是不要重复抓取呢?

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。

评论(4

狼亦尘 2021-11-27 13:13:20

数据量不大的话,弄个md5或者uuid即可。

沙与沫 2021-11-27 13:11:11

错别字。

Bloom filter,Redis Set

冷弦 2021-11-27 13:04:35

抓取过的网页放在一个集合里面。 有新的链接的时候看看那个集合里面有灭有。 有了就不抓取萨

你曾走过我的故事 2021-11-26 19:36:44

去重有很多方式,具体看你所爬链接数量,多的话可以试试bloom filter。

~没有更多了~
我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
原文