关于爬虫监控网页的一个困惑

[SlipStupig]

目前我用 md5 值去监控网页是否更新，但是这个涉及一个问题，就是每次都需要下载完成网页，目前我 DB 有 200 万 URL 按这个方法去更新网页，每次都要重新抓取这 200 万网页实在太慢了（而且还有目前还有增量），有什么好的办法可以更好的监控网页是否改变吗？

大家想法基本上是基于权重算法去刷，除了权重以外还有什么可以补充的吗?

整理了一下大家的想法，核心还是构建一个自己的权重算法，主要从这么几个方向： 1.根据last-modify-date content-lenguht这两个字段 2.提取目标内容做一个指纹 3.抓取效率改进,

感谢大家的热心帮助，我大概花一周时间实践后发一个demo出来

[shiny]

有的内容有 etag 和 last-modified 可以使用；
并发抓取；
云服务器弹性分配资源来抓取

爬虫本来就是费服务器的东西，可以考虑按网站权重分配爬虫资源。

[shiny]

用 md5 摘要可能不是很好的办法，因为略微细小的变动就会认为是全新的页面（如果你需要的是正文的话）

[SlipStupig]

@shiny last-modified 这个不是特别可靠，我主要还是抓取电商这类，他们都有 cdn ， cdn 每天会全站更新 last-modified 这个字段，没有什么用，权重这块我考虑过了，但是没想好怎么弄

[liangmishi]

赞成按网站权重分配爬虫资源，经常检测到更新的网站就多去几次。

[shiny]

@SlipStupig 此外，部分网站会定时更新，可以用算法检测，能够节约带宽。

[Actrace]

2 亿级路过。。。你要做的这个其实已经相当深入了。
额外增加一个更新频率的字段用来生成爬取队列，不常更新的在多次爬取后延后处理就行了，整个系统的资源使用率会下来一部分（虽然一开始还是需要一定的资源）。

[wannianma]

记录更新时间，更新频率越低，相应的降低爬取频率！

[SCaffrey]

@wannianma 如何判断是否更新了呢……？

[wannianma]

@SCaffrey 记录上次更新时间。如何判断是否更新，因网页而异。大体思路就是，如果当前网页上次更新时间距离很久，爬取权重较低，当然不是不爬，爬取后未更新，最后更新时间距离距当前时间更久，爬取权重更低，根据爬取权重决定爬取频率。思路是这样，细节还要思考

[SlipStupig]

@shiny 算法能提个方向么？

[cyang]

恐怕很难，即便 Http 头里有缓存标记 那么也至少要 Get 一次吧？你不想下载网页就想知道网页是否更新不觉得矛盾？除非被爬取站给个 API ？

[ytmsdy]

只能设置重新抓取的频率了，无论什么监控算法，前提就是要把网站的信息爬下来对比才知道。

[SlipStupig]

@cyang 头部还好， GET 请求一下就返回一个头部就完事了，内容就大了少的 2kb ，大的几十 kb ，缓存标记基本上没什么作用

[knightdf]

只能自己记个更新时间然后按频率更新

[tabris17]

把网页根据更新频率标注等级

[mafic]

@Actrace 更新频率的话是人为更新 不知道咋处理，看到有定时处理的 百万级数据不知道靠谱不

[Comdex]

@wannianma
@SlipStupig 如何低成本地判断网页有了不小的更新？一般只关注网页的正文核心内容，假设网页中带有广告文字实时更新的话这样的更新无意义。。。

[SlipStupig]

@Comdex 去猜测正文内容变化？

[Comdex]

@SlipStupig 提取正文再判断成本很高啊，现在提取正文正确率也还不行啊，所以关注点是网页有多少内容变化了的，这个不知咋解决

[SlipStupig]

@Comdex 正文预测这块我做过，准确率还不错，反而是更新多少这个概念比较虚

[JoeShu]

提供一个思路，可以用 HEAD 方法请求网页的头部信息，可以判断 content-length 大小的变化。从直觉上看，网页内容变化了， content-length 大概率会变化。

[SlipStupig]

@JoeShu 这个准确性不行吧

[yutian2211]

@JoeShu HEAD 方法出的结果 可作为一个参考值，如果无变化，延后抓取

[SlipStupig]

@yutian2211 出什么结果作为参考？

[FindHao]

他们的网页有 site map 吗，比如类似我这个。。
http://www.findspace.name/post.xml

[mafic]

楼主怎么解决 跪求解决方案。现在同样遇到此问题

[ezreal]

咦，我也在做这东西。

[lancemoon]

转成图片，进行相似计算呢
或者文字的也是同样的道理

[SlipStupig]

@lancemoon 网页转成图片我不知道有什么意义，文字的话还不是得下载完成所有的内容，进行相似度计算比 hash 计算更慢啊！

[SlipStupig]

@mafic 目前考虑设计一个权重算法用然后用 hash 一致性去调度多个 worker

[SlipStupig]

@FindHao 没有啊！

[lizon]

我给你分析一下这个问题:
首先网页是否修改，你有两种方式获知，一种是网页的在修改的时候主动发出一个通知告诉你，另一种是查询网页和历史纪录比较，得知是否修改。如果你是网页的拥有者，那么在网页修改的时候加一个触发机制通知你就行；如果你不是，那么就只有老老实实轮询。
如果你的需求是必须监控每一张网页的修改，那么就需要不断改善你的爬取性能，除了挨个爬取之外别无他法。
如果并不需要，那么你可以选择性轮询，对于修改频繁的网页，你查询频率调高一些，对于修改不频繁的网页，查询频率调低一些。可以写一个函数，用于评估网页修改是否频繁，然后以此分配爬取频率，争取最大化利用你有限的爬取资源。
对于网页是否修改，这个是你自己定义，哪种程度的内容改变算“修改”，需要你自己判断

[yutian2211]

@SlipStupig content-length 如果变化了，正常抓取，如果没有变化，延后抓取，当然再辅助于权重设计

[SlipStupig]

@yutian2211 我整理一下

[Wongzigii]

@SlipStupig 求分享

[flynaj]

curl -I 参数，头没有变化基本内容不会变