爬虫如何只爬取更新数据
目前爬虫已经实现了爬虫指定内容的信息，但是又遇到了数据更新的问题。
由于要抓取的信息实时性比较强，所以会不定期的更新，但是爬虫目前是整站定点抓取的，这给更新的数据入库带来了问题，就是如何只将新的数据入库而避免重复数据爬取，不知道大家是如何解决的，谢谢指点！
展开
收起
1
条回答
写回答
写回答
-
给你说一个我们正在用的方案。一般是垂直型爬虫才有增量爬取需求，垂直型爬虫每个数据都有一些联合起来独一无二的属性，把这些属性联合起来提取数据指纹，根据指纹匹配可以判断是否已爬取过。对于属性没有改变，正文改变的数据，采用提取正文tags来判断。
补充一点，判断数据指纹是否已爬取过，这种从大量数据中查找某个串是否已存在的场景，有一个优秀的算法叫布隆过滤器。
2024-05-31 16:21:42赞同 1 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
