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 2835 天前的主题，其中的信息可能已经有所发展或是发生改变。
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？
第 1 条附言 · 2016-07-22 10:21:53 +08:00
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?
第 2 条附言 · 2016-07-26 19:45:39 +08:00
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
 |
1
shiny 2016-07-22 00:12:33 +08:00
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。 |
|
2
shiny 2016-07-22 00:13:27 +08:00
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）
|
 |
3
SlipStupig OP @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
|
 |
4
liangmishi 2016-07-22 00:31:43 +08:00
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。
|
|
5
shiny 2016-07-22 02:26:12 +08:00  1
@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。
|
 |
6
Actrace 2016-07-22 05:37:54 +08:00 1
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）。 |
 |
7
wannianma 2016-07-22 07:42:40 +08:00 via iPhone
记录更新时间，更新频率越低，相应的降低爬取频率！
|
|
9
wannianma 2016-07-22 07:54:42 +08:00 via iPhone
@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
|
|
10
SlipStupig OP @shiny 算法能提个方向么？
|
 |
11
cyang 2016-07-22 08:45:16 +08:00
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 ？
|
 |
12
ytmsdy 2016-07-22 09:37:57 +08:00
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。
|
|
13
SlipStupig OP @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
|
 |
14
knightdf 2016-07-22 10:03:25 +08:00
只能自己记个更新时间然后按频率更新
|
 |
15
tabris17 2016-07-22 10:09:19 +08:00
把网页根据更新频率标注等级
|
 |
17
Comdex 2016-07-22 12:31:25 +08:00 1
|
|
18
SlipStupig OP @Comdex 去猜测正文内容变化？
|
|
19
Comdex 2016-07-22 15:47:41 +08:00
@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
|
|
20
SlipStupig OP @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
|
 |
21
JoeShu 2016-07-22 16:24:15 +08:00 2
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。
|
|
22
SlipStupig OP @JoeShu 这个准确性不行吧
|
 |
23
yutian2211 2016-07-22 16:44:54 +08:00
@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
|
|
24
SlipStupig OP @yutian2211 出什么结果作为参考？
|
 |
25
FindHao 2016-07-24 08:11:47 +08:00
他们的网页有 site map 吗，比如类似我这个。。
http://www.findspace.name/post.xml |
 |
26
mafic 2016-07-24 14:04:20 +08:00
楼主怎么解决 跪求解决方案。现在同样遇到此问题
|
 |
27
ezreal 2016-07-24 20:23:41 +08:00
咦，我也在做这东西。
|
 |
28
lancemoon 2016-07-24 23:21:15 +08:00
转成图片，进行相似计算呢
或者文字的也是同样的道理 |
|
29
SlipStupig OP @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！
|
|
30
SlipStupig OP @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
|
|
31
SlipStupig OP @FindHao 没有啊！
|
 |
32
lizon 2016-07-25 10:54:53 +08:00
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 |
|
33
yutian2211 2016-07-26 15:49:50 +08:00
@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
|
|
34
SlipStupig OP @yutian2211 我整理一下
|
 |
35
Wongzigii 2017-05-26 10:53:35 +08:00
@SlipStupig 求分享
|
 |
36
flynaj 2018-09-20 21:48:08 +08:00
curl -I 参数，头没有变化基本内容不会变
|
Select Language