爬虫如何处理重复抓取的网页？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 4082 天前的主题，其中的信息可能已经有所发展或是发生改变。

入门开始写一个爬虫。在爬进一个地址之前是不是需要检测那个地址是否被爬过呢？
检测的时候一般用什么方法呢？暂时能想到的是用HashMap.

爬虫

地址

检测

17 条回复 • 1970-01-01 08:00:00 +08:00

fishsjoy

2013-02-27 13:13:52 +08:00

bloom filter

xingzhi

2013-02-27 13:15:37 +08:00

hashMap是可以，但相对而言耗内存。
如ls所说，用布隆过滤器较好。吴军的书《数学之美》中有详细的介绍。

twm

2013-02-27 13:15:45 +08:00

做一个redis集群，或者memcache集群，bdb也行，抓取过的就扔进去，每次要抓取的时候检查一下。

xingzhi

2013-02-27 13:17:38 +08:00

很久前收藏的一篇文章，你可以看看：
http://www.xiuwz.com/site/tech-bloom-filter/

laskuma

2013-02-27 13:22:31 +08:00

@xingzhi 多谢分享！

forest520

2013-02-27 13:47:37 +08:00

@fishsjoy
@xingzhi
@twm 很多情况下，一个相同的网页可以有很多不同的URL地址，譬如加上一些识别来源的动态参数等，这种情况有什么办法识别是重复的URL？比如：
item.taobao.com/item.htm?spm=1020.3.9.79.4L0esQ&id=15480553483&from=
item.taobao.com/item.htm?id=15480553483
其实是一个网页。

xingzhi

2013-02-27 13:57:22 +08:00

@forest520
我觉得这个就没有万能的解决方案了，得视网站而定。
如你举的例子，可以先找出taobao究竟是以什么参数来决定这个页面的。
这里是id，那就在获取url后，抽取出id来进行二次判断。

laskuma

2013-03-01 13:31:13 +08:00

@xingzhi 还想再问一个问题如何获取tinyurl的真实url呢？我在java下用getresponcecode拿到的是200不是301= =

crazybubble

2013-03-01 16:44:31 +08:00

@laskuma python里的方法是，urllib2.urlopen("http://bit.ly/XKqphv").geturl()

crazybubble

2013-03-01 16:58:00 +08:00

@laskuma java里你可以用HttpURLConnection建立链接，然后getURL()

laskuma

2013-03-01 20:46:57 +08:00 via iPad

@crazybubble 机制不同获取的还是tinyurl

binux

2013-03-01 21:17:29 +08:00

真没必要用什么bloom filter，就算你爬一千万个页面，那已经很厉害了，哈希一下全放数据库里，MYSQL什么就行，内存数据库都不需要，每次查一下，没任何问题。

laskuma

2013-03-01 21:32:01 +08:00 via iPad

@binux 正好不会写也就练练手了

crazybubble

2013-03-01 21:33:19 +08:00

@laskuma ...这就奇怪了，我试了下tinyurl，能得到原地址

clowwindy

2013-03-01 21:34:37 +08:00

hash 一下存 redis

laskuma

2013-03-02 02:28:35 +08:00

@crazybubble http://tinyurl.com/at3p3en 能帮忙测试下吗？我这个网址不行

laskuma

2013-03-02 02:36:04 +08:00

@crazybubble 解决了。。我一connect()就立刻call 的get url。所以给出的还是原来的url 谢谢了！