这是一个创建于 1908 天前的主题，其中的信息可能已经有所发展或是发生改变。
发觉之前的解决思路有问题，决定先爬取页面数据存入数据库，然后另外一个任务再一个页面一个页面分析内容提取数据。
存储字段包括地址来源网站，页面文字内容。
目前用 mysql 加 redis 用来 url 去重
第 1 条附言 · 2019-02-03 16:02:49 +08:00
先按 1-3 楼的试试
 |
1
GeekCourse 2019-02-03 14:56:08 +08:00 via Android
当然是直接存到硬盘里
|
 |
2
jimages 2019-02-03 15:25:25 +08:00  1
存文件吧，mysql 做 index
|
 |
3
yuikns 2019-02-03 15:32:35 +08:00 via iPad 1
大量文件存在一个目录下有时有效率问题。试试 leveldb ？
|
 |
4
lynskylate 2019-02-03 16:05:06 +08:00 via Android 1
...落硬盘怎么横向扩展，数据落 mongo, redis 去重。
|
 |
5
CSM 2019-02-03 16:42:28 +08:00 via Android
如果 URL 非常多并且能容忍重复的话，可以考虑布隆过滤器。
|
 |
6
nicoljiang 2019-02-04 02:55:50 +08:00
Mysql 不就可以吗，百万千万都能存。。。
|
 |
7
lengyihan 2019-02-04 11:59:42 +08:00 via Android
oracle 肯定够。
|
|
8
lynskylate 2019-02-04 18:14:35 +08:00 via Android 1
@CSM 布隆不会出现重复，而是有部分未爬过的 url 会认为爬过。
|
|
9
CSM 2019-02-04 19:43:18 +08:00 via Android
@lynskylate 噢噢你说的对，感谢感谢
|
Select Language