pyspider 爬去文章列表问题

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 2324 天前的主题，其中的信息可能已经有所发展或是发生改变。

文章不会更新，永远只需爬取一次，所以靠后的页码就不用再次爬取。

如果抛开框架，大致的思路就是在查重的时候，重：不爬，并且后续列表不再爬，不重：爬取文章。

但是不知道怎么在 pyspider 中实现，请指教。

pyspider

列表

文章

爬

9 条回复 • 2018-07-05 09:28:53 +08:00

WildCat

2018-07-01 19:17:48 +08:00

hash function? 数学之美了解一下。别整天用这个那个框架，基础还是少不了

just1

2018-07-01 19:49:30 +08:00 via Android

@WildCat 但是重写一个轮子太费时费力了，而且效果可能并不好😓

golmic

2018-07-01 22:03:04 +08:00 via Android

for url in urls: if url in db : break

binux

2018-07-01 23:34:03 +08:00 via Android

默认就是去重的

just1

2018-07-02 07:35:46 +08:00 via Android

@binux 大佬你好。可能我没表达明白我的意思。
url 是默认去重这个我知道。
但是场景是这样，比如一页 10 文章（此时 1 页，我都采集过了，（/list/1 ）。过了 1 天，多发布 15 文章（此时 3 页），那么此时我需要采集 /list/1 和 /list/2(因为发现 2 中有已经采集过的文章，所以 /list/3 就不去访问了）。

binux

2018-07-02 09:30:50 +08:00

@just1 #5 这样没辙，多爬几页咯

just1

2018-07-02 15:01:31 +08:00

@binux #6 如果列表过多，感觉任务偏重，有什么框架能解决吗

just1

2018-07-02 15:05:19 +08:00

@golmic #3 意思就是这样，但是不知道在框架内怎么实现

binux

2018-07-05 09:28:53 +08:00

@just1 #7 预估一下一天更新的量 *2 页就行了，*2 的抓取量都受不了的话，*1 也完成不了