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
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
nightSlient
V2EX  ›  Python

关于爬虫网站的更新的问题,请帮忙一下,谢谢

  •  
  •   nightSlient · 2016-07-04 20:30:02 +08:00 · 3333 次点击
    这是一个创建于 3049 天前的主题,其中的信息可能已经有所发展或是发生改变。

    有两个问题想问一下,第一:怎样识别被爬去网站的更新,有什么角度,维度来进行识别? 第二:如何启动定时爬虫?

    5 条回复    2016-07-06 09:53:27 +08:00
    b821025551b
        1
    b821025551b  
       2016-07-04 20:33:04 +08:00
    1 :更新条目:第一次爬到的条目存下来,第二次爬到第一次的最后一条,判断是否最后一条的标志最好是 id ,如没有 id 则用名字,但要注意名字更新问题;
    更新内容:相当于全部重新爬一遍了。
    2 : crontab
    nightSlient
        2
    nightSlient  
    OP
       2016-07-05 01:18:56 +08:00
    @b821025551b 谢谢收到了启发,第一个问题,确实维度不好整。谢谢
    jnduan
        3
    jnduan  
       2016-07-05 11:18:45 +08:00
    1.
    更新条目:爬过的 url 你不存么?一段时期内爬过的就不用再爬了啊
    更新内容,有 etag header 可以用 etag 判断,没有的话,通过你从网页抽取的 md5 一类的判断,或者页面关键页面元素内容判断
    2.
    这其实是抓取任务调度的问题。建议你做一个抓取队列,爬虫从队列取任务,爬完汇报。至于怎么维护队列(优先级、频率、周期)取决与你的需求
    nightSlient
        4
    nightSlient  
    OP
       2016-07-06 09:52:58 +08:00
    原来使用 APScheduler 也可以做定时任务,谢谢啊
    nightSlient
        5
    nightSlient  
    OP
       2016-07-06 09:53:27 +08:00
    @jnduan 很瘦启发,非常感谢!
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   944 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 21:02 · PVG 05:02 · LAX 13:02 · JFK 16:02
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.