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 3027 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

52

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。

410

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）

2297

0

0

请问下, 接入ahas访问了应用页面,为什么显示suffix_cleaned_url呢？

1119

1

0

flask的框架，访问url 怎么变成下载html？

972

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

769

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？

1013

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？

1144

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？

779

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？

1043

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 1819058

2 据说在家办公的程序员是这样写代码的？ 1793205

3 阿里云开放端口权限 690309

4 如何升级配置 536308

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？ 522875

6 【精品问答】python技术1000问(1) 514139

7 Flink Forward Asia 2021 有奖问答 512920

8 OceanBase 使用动画（持续更新） 359384

9 阿里云LNAMP(Linux + Nginx + Apache + MySQL + PHP)环境一键安装脚本 329804

10 OSS存储服务-客户端工具 321600

11 为体验实验室取一个新名字。 307492

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 304108

13 Win Server 2003-2016 加密勒索事件必打补丁合集 295336

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 284221

15 安全组详解，新手必看教程 277349

16 写code还是做管理，开发者如何进行职业规划？ 269198

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) 255884

18 阿里云手机和阿云浏览器连接问题专帖 235696

19 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】 229170

20 请问阿里云邮箱如何开启SMTP服务啊！ 225878

1 AI 编码助手能否引领编程革命？一起探索 AI 对研发流程的变革 113

2 AI新茶饮，是噱头还是未来？ 547

3 开发者们需要如何打造属于自己的Plan B? 303

4 动机VS自律，对开发者们来说哪个比较重要？ 426

5 AI音色克隆挑战播客，它能模拟人的特质吗？ 926

6 阿里云RDS mysql数据库show slave status信息疑问 340

7 宜搭报表对日期字段赋值 235

8 求助：如何在宜搭自定义表单中获取普通表单子表单中的数据 149

9 AI生成海报or人工手绘，哪个更戳你？ 2050

10 “AI +脱口秀”，笑点能靠算法去创造吗？ 1024

11 宜搭配置更新花名册信息的连接器 215

12 请教：通过按钮打开另外一个表单，并把其中一个值传递给另一个表单的其中一个字段。 422

13 AI宠物更适合当代年轻人的陪伴需求吗？ 1360

14 AI客服未来会完全代替人工吗？ 1699

15 modelscope下载的模型如何转ollama 418

16 关于宜搭自定义页面循环数据渲染的问题。 101

17 “云+AI”能够孵化出多少可能？ 1257

18 当AI频繁生成虚假信息，我们还能轻信大模型吗？ 1171

19 使用免费证书后服务器浏览器访问没有问题，外网访问显示证书不可信，使用同一种浏览器哦 429

20 FFA 2024 大会门票免费送！AI时代下大数据技术未来路在何方？ 2057

相关课程

更多

Python爬虫实战

40402

6

去学习

Python网络爬虫实战

2541

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