备案控制台

开发者社区> 问答> 正文

爬虫如何保存已访问过的url?

在爬取数据的时候,如何保存已经访问过的url和队列？
对于爬取过的url，我使用redis的set来保存，访问队列是用list来保存，数据量是直线上升，内存不大，也只有4g，扛不住。不知道各位朋友有什么好的方法吗？

展开

收起

落地花开啦 2016-02-27 14:27:42 2972 0

3 条回答

写回答

取消提交回答

jxcgq

混经验的

2019-08-09 08:44:45

赞同展开评论打赏
西山居2815

学习了

2019-07-17 18:48:50

赞同展开评论打赏
落地花开啦

喜欢技术，喜欢努力的人

4G内存可以开很大的BloomFilter了，每个URL只需要几个比特，URL长度无关。BloomFilter有一定错误率（比如千分之一、百分之一，取决于配置），会导致漏爬一些网页，但不会重复爬。
如果4G内存开BloomFilter还不够的话，楼主更需要考虑的问题是怎么存爬出来的网页。

2019-07-17 18:48:50

赞同展开评论打赏

问答分类：

数据采集 NoSQL Redis 云数据库 Redis 版

问答标签：

URL爬虫 URL访问爬虫URL 爬虫访问爬虫保存访问URL

问答地址：

开发者社区 > 数据库 > 问答

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

fn里面访问公网他的出口IP是怎么分配的？我的场景是爬虫对出口IP有考虑。

384

2

0

阿里云OSS 文件Url签名过期依然可以访问（已经设置cache-control为no-cache）

1975

0

0

请问下, 接入ahas访问了应用页面,为什么显示suffix_cleaned_url呢？

1086

1

0

flask的框架，访问url 怎么变成下载html？

927

1

0

如图，请问local start后为什么看不到访问的url地址，文档的例子上有一个url: htt

730

1

0

请问，PTS压测去访问接口url的时候，从阿里云出来的ip是随机的，这种随机有范围么？

974

1

0

请问，PTS压测去访问接口url的时候，从阿里云出来的ip是固定的吗还是一个区间段的随机ip地址？

1103

1

0

请问，如图， s deploy后函数在控制台看为什么不是已部署状态，没有访问服务的url？

754

1

0

使用URL访问时会下载一个html文件，而不是访问网页，这该如何排查？

1004

1

0

触发器的url去用postman请求，可以访问baidu.com吗？

772

1

0

问答排行榜

最热

最新

1 通过阿里云代备案系统进行个人快速备案 2699602

2 【大咖问答】对话PostgreSQL 中国社区发起人之一，阿里云数据库高级专家德哥 1818190

3 据说在家办公的程序员是这样写代码的？ 1792144

4 阿里云开放端口权限 689814

5 《阿里云服务器从入门到精通》—论坛精华帖汇总（2013.8.21更新） 599379

6 如何升级配置 536030

7 【藏经阁一起读（27）】本周推荐《Apache Flink案例集（2022版）》，你有哪些心得？ 522328

8 【精品问答】python技术1000问(1) 513952

9 Flink Forward Asia 2021 有奖问答 512768

10 Linux Bash严重漏洞修复紧急通知（已全部给出最终修复方案） 456894

11 OceanBase 使用动画（持续更新） 359229

12 阿里云LNAMP(Linux + Nginx + Apache + MySQL + PHP)环境一键安装脚本 329688

13 OSS存储服务-客户端工具 321253

14 为体验实验室取一个新名字。 307180

15 企业邮箱发送邮件时，若出现投递失败产生退信，内容提示包含如下： the mta server of * reply:550 failed to meet SPF requirements 或者 the mta server of 163.com — 163mx01.mxmail.netease.com(220.181.14.141) reply:550 MI:SPF mx14,QMCowECpA0qTiftVaeB3Cg—.872S2 1442548128 http://mail.163.com/help 303687

16 Win Server 2003-2016 加密勒索事件必打补丁合集 295099

17 FLASH播放器，在IE浏览器下显示请确定您的域名已完成备案和CNAME绑定 283472

18 安全组详解，新手必看教程 277228

19 写code还是做管理，开发者如何进行职业规划？ 268279

20 惊喜翻倍：免费ECS+免费环境配置~！(ECS免费体验6个月活动3月31日结束) 255811

1 如何从零构建一个现代深度学习框架? 383

2 AI面试成为线下面试的“隐形门槛”，对此你怎么看？ 736

3 乘风问答官5月排位赛开启！ 385

4 你见过哪些独特的代码注释？ 1562

5 你遇到过哪些触发NPE的代码场景？ 885

6 宜搭中，线上答题单选题和多选题在一起如何计算总分，请老师指点 204

7 宜搭中，在表单里复选选项（搭建多选题）如何设置单行文本自动获取“你的答案”所选的选项如“AB” 149

8 宜搭流程表单怎样根据连接器返回值阻止提交 178

9 如何让系统具备良好的扩展性？ 1916

10 在JS编程中有哪些常见的编程“套路”或习惯？ 1541

11 表单新加了个字段A，历史数据要添加字段A的值问题 388

12 nacos部署需要开放哪几个端口？ 884

13 在做程序员的道路上，你掌握了什么关键的概念或技术让你感到自身技能有了显著飞跃？ 2067

14 作为一个经典架构模式，事件驱动在云时代为什么会再次流行呢？ 2443

15 如何实现主表单内数字组件自动获取子表单内数据条数 150

16 宜搭：提交表单前，如何校验另一张表单的数据？ 413

17 如何实现自动计算请假天数并自动跳过法定节假日？ 114

18 Windows 11系统电脑自动重启后，vscode启动通义灵码插件报错：此应用无法在你的电脑上运行 212

19 如何看待首个 AI 程序员入职科技公司？ 3029

20 未启用对服务器的访问 593

相关课程

更多

Python爬虫实战

39277

6

去学习

Python网络爬虫实战

2190

3

去学习

推荐问答

乘风问答官招募中！机械键盘免费拿

相关电子书

更多

Python第五讲——关于爬虫如何做js逆向的思路 立即下载

低代码开发师（初级）实战教程 立即下载

阿里巴巴DevOps 最佳实践手册 立即下载