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
这是一个创建于 3073 天前的主题，其中的信息可能已经有所发展或是发生改变。
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?
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?
 |
1
xsseroot 2016-06-24 11:47:10 +08:00
将商圈的 url 和 name 做个 hash ，写到 redis 中每次判断下不就行了。
|
 |
2
jatesun 2016-06-24 14:27:58 +08:00 via iPhone
可以放到线程安全的 hash 表里
|
 |
3
chendajun 2016-06-24 14:31:15 +08:00
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
|
 |
4
hwsdien 2016-06-24 17:49:41 +08:00
把采集过的 url 放进 redis, 每次采集判断一下。
|
 |
6
practicer 2016-06-29 14:23:29 +08:00
尽管让重复的 item 插进数据库，活干完后 SELECT DUMPS 掉
|
Select Language