这是一个创建于 2879 天前的主题，其中的信息可能已经有所发展或是发生改变。
比如，我每天爬新闻，爬文章，内存中可以用 set 或者算法来做过滤，但是已经存到数据库的数据，如何保证你抓取的时候不重复呢？
目前我是把网址 hash 之后存了个字段在数据库，每次网址的时候都去做判断。感觉太粗糙，而且数据量大了，就算 hash 做了索引，每次判断也很拖性能吧？
大家有啥好的办法么？
目前我是把网址 hash 之后存了个字段在数据库，每次网址的时候都去做判断。感觉太粗糙，而且数据量大了，就算 hash 做了索引，每次判断也很拖性能吧？
大家有啥好的办法么？
 |
1
binux 2016-06-24 19:12:17 +08:00
读一下能耗多少性能啊。你爬的数据量大还是用户的访问量大。
|
 |
2
ooonme 2016-06-24 19:13:13 +08:00 via iPhone
一般爬的时候不判重，下游数据清洗的时候解决重复问题
|
 |
3
solomaster OP @binux 爬的数据量大。但是现在还没到瓶颈。只是有这个担忧。
|
|
4
solomaster OP @ooonme 下游清洗数据之后，会删除爬虫数据库的原始数据么？
|
 |
5
kslr 2016-06-24 19:34:31 +08:00
@solomaster 最简单的就是最好用的，你硬要折腾可以看看布隆过滤器。
|
|
6
ooonme 2016-06-24 19:43:57 +08:00 via iPhone
5 楼说了，用过滤就好了，数据分析一般不修改数据只做转换
|
 |
7
keysona 2016-06-24 20:29:10 +08:00
url 判重的看布隆过滤器吧。
数据的话查一下就好吧.... |
 |
8
warmheartli 2016-06-25 14:36:20 +08:00
看你是想过滤 url 重复的还是过滤内容重复的，过滤 url 那就 url 去重没什么好说的，如果想对内容去重，可以先粗算再精算，粗算就是采取找到正文里句子最长的那个句子，算签名去重，精算就是当发现签名一样的时候再挨个句子判断
|
 |
9
askfermi 2016-06-25 15:56:12 +08:00
网址的话用 Bloom Filter
|
Select Language