AI 助理
备案控制台
开发者社区> 问答> 正文

爬虫如何保存已访问过的url?

在爬取数据的时候,如何保存已经访问过的url和队列？
对于爬取过的url，我使用redis的set来保存，访问队列是用list来保存，数据量是直线上升，内存不大，也只有4g，扛不住。不知道各位朋友有什么好的方法吗？

展开
收起
落地花开啦 2016-02-27 14:27:42 3022 0
3 条回答
写回答
取消 提交回答
  • jxcgq

    混经验的

    2019-08-09 08:44:45
    赞同 展开评论 打赏
  • 西山居2815

    学习了

    2019-07-17 18:48:50
    赞同 展开评论 打赏
  • 落地花开啦
    喜欢技术，喜欢努力的人

    4G内存可以开很大的BloomFilter了，每个URL只需要几个比特，URL长度无关。BloomFilter有一定错误率（比如千分之一、百分之一，取决于配置），会导致漏爬一些网页，但不会重复爬。
    如果4G内存开BloomFilter还不够的话，楼主更需要考虑的问题是怎么存爬出来的网页。

    2019-07-17 18:48:50
    赞同 展开评论 打赏
问答分类：
数据采集 NoSQL Redis 云数据库 Tair（兼容 Redis）
问答标签：
爬虫URL URL访问 爬虫访问 URL爬虫 爬虫保存访问URL
问答地址：
开发者社区 > 数据库 > 问答

版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

相关问答
Web应用防火墙是否能够阻断脚本工具爬虫访问
42
1
0
fn里面访问公网 他的出口IP是怎么分配的？我的场景是爬虫 对出口IP有考虑。
406
2
0
阿里云OSS 文件Url签名过期依然可以访问（已经设置cache-control为no-cache）
2240
0
0
请问下, 接入ahas访问了应用页面,为什么显示suffix_cleaned_url呢？
1117
1
0
flask的框架，访问url 怎么变成下载html？
969
1
0
如图，请问local start后 为什么看不到访问的url地址，文档的例子上有一个url: htt
766
1
0
请问，PTS压测去访问接口url的时候，从阿里云出来的ip是随机的，这种随机有范围么？
1008
1
0
请问，PTS压测去访问接口url的时候，从阿里云出来的ip是固定的吗 还是一个区间段的随机ip地址？
1142
1
0
请问，如图， s deploy后函数在控制台看为什么不是已部署状态，没有访问服务的url？
776
1
0
使用URL访问时会下载一个html文件，而不是访问网页，这该如何排查？
1041
1
0
问答排行榜
最热
最新
1 【大咖问答】对话PostgreSQL 中国社区发起人之一，阿里云数据库高级专家 德哥 1818945
2 据说在家办公的程序员是这样写代码的？ 1793059
3 阿里云开放端口权限 690230
4 如何升级配置 536271
5 【藏经阁一起读（27）】本周推荐《Apache Flink案例集（2022版）》，你有哪些心得？ 522805
6 【精品问答】python技术1000问(1) 514115
7 Flink Forward Asia 2021 有奖问答 512895
8 OceanBase 使用动画（持续更新） 359367
9 阿里云LNAMP(Linux + Nginx + Apache + MySQL + PHP)环境一键安装脚本 329796
10 OSS存储服务-客户端工具 321539
11 为体验实验室取一个新名字。 307464
12 企业邮箱发送邮件时，若出现投递失败产生退信，内容提示包含如下： the mta server of * reply:550 failed to meet SPF requirements 或者 the mta server of 163.com — 163mx01.mxmail.netease.com(220.181.14.141) reply:550 MI:SPF mx14,QMCowECpA0qTiftVaeB3Cg—.872S2 1442548128 http://mail.163.com/help 304068
13 Win Server 2003-2016 加密勒索事件必打补丁合集 295320
14 FLASH播放器，在IE浏览器下显示请确定您的域名已完成备案和CNAME绑定 284159
15 安全组详解，新手必看教程 277337
16 写code还是做管理，开发者如何进行职业规划？ 269095
17 惊喜翻倍：免费ECS+免费环境配置~！(ECS免费体验6个月活动3月31日结束) 255876
18 阿里云手机和阿云浏览器连接问题专帖 235686
19 请问阿里云邮箱如何开启SMTP服务啊！ 225838
20 支付宝H5 下载的时候，提示 【请确保该下载文件来源安全,如需浏览,请长按网址复制后使用浏览器访问】 225531
1 FFA 2024 大会门票免费送！AI时代下大数据技术未来路在何方？ 211
2 AI时代，存力or算力哪一个更关键？ 725
3 全网寻找 #六边形战士# 程序员，你的 AI 编码助手身份标签是什么？ 940
4 关于开发者的100件小事，你知道哪些？ 982
5 AI助力，短剧迎来创新热潮？ 579
6 "ModelScope默认的下载位置是在哪里？ 178
7 1024程序员节，开发者们都在参与社区的哪些活动？ 2159
8 关于文本框校验自定义函数的问题 315
9 执行docker search nginx 报错超时 174
10 百问求答第四期-回答问题即有机会拿冬季取暖器 929
11 宜搭-集成&自动化，怎么实现定时自动获取普通表单里的所有数据，并更新该表单里的某列数据？ 204
12 有没有大佬知道：宜搭的流程表单里如何通过js面板给成员组件赋值？ 260
13 百问求答第四期-回答问题即有机会拿冬季取暖器 693
14 域名内网可以正常访问，外网访问不了 329
15 普通人能用阿里云做什么？ 147
16 宜搭表单 数据管理 增加 全部删除功能 228
17 获取Access Token报code: 400, body is mandatory 347
18 运动旅游开启新潮流，哪些科技手段能助力你的行程呢？ 940
19 “AI+儿童陪伴”，是噱头还是趋势？ 993
20 小白求助，跟着大模型微调教程做不太明白 587

相关课程

更多
  • Python爬虫实战
    40312
    6
    去学习
  • Python网络爬虫实战
    2491
    3
    去学习
    • 推荐问答
    乘风问答官招募中！机械键盘免费拿

    相关文章

  • java电商项目（十二）
  • transformers+huggingface训练模型
  • 效率与精准并重：掌握Pandas与NumPy高级特性，赋能数据科学项目
  • Dify 工作流分享-小红书文案生成器
  • Pandas 常用函数-数据清洗

    • 相关电子书

    更多
    • Python第五讲——关于爬虫如何做js逆向的思路 立即下载
    低代码开发师（初级）实战教程 立即下载
    阿里巴巴DevOps 最佳实践手册 立即下载