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
leewlab
V2EX  ›  Python

PySpider 如何去重?

  •  
  •   leewlab · 2019-04-23 09:43:42 +08:00 · 3301 次点击
    这是一个创建于 1801 天前的主题,其中的信息可能已经有所发展或是发生改变。

    pyspider 如何对某一个抓取值去重,不是 url 去重

    比如我抓了很多文章,同样文章标题的不去抓取,过滤掉

    请问怎么怎么设置,谢谢

    7 条回复    2019-04-23 11:59:17 +08:00
    est
        1
    est  
       2019-04-23 09:54:27 +08:00 via Android
    pyspider 都会了还不会去重?最笨的办法就是用 == 逐个比
    seaguest
        2
    seaguest  
       2019-04-23 09:59:24 +08:00
    数据量大的时候可以考虑 bloom filter,cuckoo filter。
    ztcaoll222
        3
    ztcaoll222  
       2019-04-23 10:00:40 +08:00
    不就是和 url 去重一样吗
    url 你怎么去重标题就怎么去重
    Northxw
        4
    Northxw  
       2019-04-23 10:05:32 +08:00
    如果你存数据库,可以尝试 md5 一个唯一值,然后检查(或者布隆过滤器?不清楚)
    binux
        5
    binux  
       2019-04-23 10:06:37 +08:00
    lanpong
        6
    lanpong  
       2019-04-23 10:19:28 +08:00 via iPhone
    楼上作者出没
    KyonLi
        7
    KyonLi  
       2019-04-23 11:59:17 +08:00 via iPhone
    自定义 taskid 吧
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   1012 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 27ms · UTC 22:03 · PVG 06:03 · LAX 15:03 · JFK 18:03
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.