这是一个创建于 2386 天前的主题，其中的信息可能已经有所发展或是发生改变。
打算构建一个无偏语料库，因此需要爬取各行各业相关的网站，想问一下大家知道哪些主要内容是文本的网站。 目前收集到的网站有大概以下几个分类
综合新闻站
- 163
- sina
- china
- people
垂直 /非垂直论坛
- autohome
- tiexue
- xbiao
- douban
- tianya
- tieba
- newsmth
问答站
- zhihu
媒体
- engadget
- ifanr
- guokr
财经
- xueqiu
- caixin
医学
- dxy
影视
- zimuzu
- tvmap
- juqingba
小说
- qidian
教科书
- readers365
- eywedu
这里并没有列全，目前在抓的有 60 个网站左右，每天能获取 300K 个页面，单机。想问问大家有没有什么别的类目、行业、领域以及各分类下的文字类网站可供补充？无所谓内容质量好坏。
第 1 条附言 · 2018-04-25 09:01:58 +08:00
对了，忘了说明，只要中文文字类网站，另外各位大佬不要开车哈Σ(￣。￣ﾉ)ﾉ
 |
1
mushan099 2018-04-25 02:19:56 +08:00 via iPhone
其他类别不知道，影视那一栏我倒是了解不少(^-^)/
|
 |
2
rock_cloud OP @mushan099 来几个例子？
|
 |
3
flyz 2018-04-25 07:39:51 +08:00 via Android  4
@rock_cloud t66y sixinsix 91 avgle 大哥只能帮你这么多了。
|
 |
4
jiangnanyanyu 2018-04-25 07:42:03 +08:00 via Android
我来一个吧，javbus,javlib
|
 |
5
ob 2018-04-25 07:46:35 +08:00 via Android
cnbeta
|
 |
6
aice114 2018-04-25 07:54:35 +08:00 via Android
v2ex
|
 |
8
huluhulu 2018-04-25 08:31:05 +08:00 via iPhone
不是 1024 最值得吗？
|
 |
9
jasonyang9 2018-04-25 08:42:34 +08:00
nytimes
arstechnica slashdot |
 |
10
x86 2018-04-25 09:19:29 +08:00
avmoo
|
 |
11
huiyifyj 2018-04-25 09:22:53 +08:00 via Android
影视竟然没有 douban
|
 |
12
chroming 2018-04-25 09:23:13 +08:00 via Android
单机爬这么多是用了代理池？
|
 |
13
logOo 2018-04-25 09:23:33 +08:00
pxxnhub
|
|
14
rock_cloud OP @huiyifyj 有，在论坛分类里，抓全站
|
|
15
rock_cloud OP @chroming 没有代理池，因为站点多，所以每个站慢慢爬，也不是问题
|
|
16
rock_cloud OP @aice114 我居然忘了 V 站，话说 V 站是不是有访问频次限制？
|
 |
17
akira 2018-04-25 10:33:07 +08:00
3l 老司机
|
 |
18
mhycy 2018-04-25 10:35:17 +08:00
|
 |
19
torbrowserbridge 2018-04-25 10:43:57 +08:00
91
|
 |
20
yense 2018-04-25 11:02:01 +08:00
煎蛋站长瑟瑟发抖...
|
|
21
rock_cloud OP @yense jandan 已加入豪华午餐，放心，速度非常慢，大约一分钟一个请求，不会占用很多流量的
|
|
22
rock_cloud OP @yense 额。。错了，应该是 20 秒一个请求。。。
|
 |
23
greatghoul 2018-04-25 11:08:31 +08:00 via Android
pornhub
|
 |
25
F1024 2018-04-25 13:22:40 +08:00
91 哈哈哈哈
|
 |
26
yunye 2018-04-25 13:54:05 +08:00 via Android
抓谷歌比较划算，抓一个站啥都有了
|
|
27
rock_cloud OP @yunye Google 反爬做得好，不好抓，费时费力
|
Select Language