scrapy 采集数据的时候直接入主库，还是先入临时库呢？主要是担心对方突然改变数据格式或者改变什么，会对我的数据库造成某种伤害，从而导致我的应用崩溃或者工作不正常
qq5745965425 · 2016-07-15 11:16:52 +08:00 · 1458 次点击这是一个创建于 3087 天前的主题，其中的信息可能已经有所发展或是发生改变。
我的网站是用来展示一些信息的
我打算去采集一些网站的数据，使用 scrapy
不过我有一些担心，就是担心 如果对方发现我采集，他对他的数据进行一些变动：比如内容超长，改变编码，改变什么
然后，我的采集程序傻傻的继续采集，然后入库的时候造成严重的结果，比如结果太多，导致数据库用光，或者会不会被 sql 注入把数据库删没了
我不知道我的担心是不是多余的
所以我想出了 2 个方案
（第一个方案） 这个方案 无疑会增加我的很多工作量 我想让爬虫在本地运行，本地架设一个 django+SQLite 的环境，爬虫把数据先存入本地，我在本地人工检验过数据，然后点击上传按钮，才将数据上传到主数据库，这样应该就安全多了，但是这样工作量会很大，要写很多代码
（第二个方案） 后来我又想了一个方案，就是在主库的表里增加一个字段， status 表示这个数据的状态，默认只展示审核过的数据，而如果状态是没有被审核，那么数据就不展示给用户，但我似乎还是有些担心，担心，对方网站做了什么变动，导致我的爬虫出现 bug ，一次性不小心采集几十万 几千万 的数据，把我的数据库撑爆了就糟了
似乎我的第二个方案的担心是多余的，好像 scrapy 默认可以过滤数据格式，可以净化数据， 但由于我是一个新手，对这个东西不是很了解，
所以想提问 请教一下大家， 哪个方案更好呢， 您有更好的方案吗
能给我一些建议吗
第 1 条附言 · 2016-07-15 12:05:53 +08:00
感谢帮忙，目前打算用方案 2
 |
1
lxy 2016-07-15 11:44:22 +08:00  1
限制内容长度。编码可以自动检测。 sql 参数化查询。
|
 |
2
qq5745965425 OP @lxy 您的意思是，用方案 2 就可以了吗
|
|
3
lxy 2016-07-15 11:53:50 +08:00 1
@qq5745965425 他要加垃圾数据你也没办法。限制一下抓取峰值频率，数据库加个字段 update_time ，计算平均时间内数据增长量，设置警戒值，超过提醒。
|
|
4
qq5745965425 OP @lxy 谢谢
|
 |
5
julyclyde 2016-07-16 15:12:37 +08:00
2 的话 IO 代价比较低
|
Select Language