Python 爬蟲重複

爬蟲 python

tlf20918 2020-02-13 09:57:03 ‧ 3141 瀏覽

分享至

有一個爬新聞的程式，每天執行一次，但是會爬到同一篇新聞的情況，因為我是抓一整頁，所以該頁面會有昨天的新聞，這樣我該如何處理呢？

我有兩種想法：
1.爬蟲完去跟資料庫比對有沒有重複的資料，沒有在存入資料庫。
2.爬蟲完先存入資料庫，在下sql指令把重複資料刪除。

不知道哪一種比較好？

請大神們幫忙解惑

ps爬蟲使用python＋mysql

看更多先前的討論...收起先前的討論...

froce iT邦大師 1 級 ‧ 2020-02-13 11:50:42 檢舉

1，不用懷疑，寫的開銷比搜尋來的大。

淺水員 iT邦大師 6 級 ‧ 2020-02-13 12:23:10 檢舉

hash 是好東西，可以先比對雜湊值，發現相同雜湊值時，再去比對文章內容。

tlf20918 iT邦新手 5 級 ‧ 2020-02-13 12:28:07 檢舉

可以詳細一點嘛＠＠菜鳥聽不太懂ＱＱ

張小馬~ iT邦新手 3 級 ‧ 2020-02-13 16:07:28 檢舉

絕對是1。
至於怎麼比對，標題字段完全一樣的話......直接從資料庫叫已存資料出來(標題欄位即可)，然後和你新爬的資料作merge(join)，沒merge到的就是新資料，建tag，把tag起來的新資料insert進資料庫。
上面提的hash是把你一串文字做編碼，同理，如果你標題文字一樣，那hash出來內容也會一樣，接著一樣做我說merge的事情。

登入發表討論

直播研討會

{{ item.channelVendor }} {{ item.webinarstarted }} |

直播中

1 個回答

海綿寶寶

iT邦大神 1 級 ‧ 2020-02-13 10:47:41

我選第1種
做法如下：
1.資料表加一個欄位 newskey，做為「判斷新聞是否重覆」的依據
2.資料表加一個索引，索引欄位就只有一個 newskey，最重要的是要勾選「UNIQUE」屬性
3.爬蟲爬到資料後，在寫入資料庫之前，多填入一個 newskey 欄位的值
4.如果 newskey 沒重覆，就可成功寫入資料庫
5.如果 newskey 重覆，資料庫就會因為「索引值重覆」而無法寫入資料庫

至於 newskey，最簡單的方法就是從 URL 裡面挑
以下隨便舉幾個例子
4334642
4441505
1643498
3065383

或是你要把「整段 URL 當成 newskey」也可以