推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 332 天前的主题，其中的信息可能已经有所发展或是发生改变。
没有用爬虫框架纯手撸 python 代码。
如果我在读取上次异常终止的参数后，插入数据库时检查记录是否存在（ if exists ），是否会很影响整体速度？虽然每条数据都会有一个唯一 id 。需要爬的最终数据条数应该在几百万级（单指存 id 的表）。
 |
1
hard2reg OP id 设置主键索引了。如果是我杞人忧天了请告诉我。
|
 |
2
lisxour 332 天前  1
把 id 放 redis 去重会比较好
|
 |
4
renmu 332 天前 via Android
直接插，然后重复会报错（狗头）
|
 |
5
vacuitym 332 天前 1
每次 id 插入之前可以试试布隆过滤+redis：id 先布隆过滤，查到的话再去 redis ，真有数据就跳过
|
 |
6
feiniu 332 天前 1
断点续爬。整个任务队列，爬取任务完全完成，数据保存成功后，再删除这个任务。
这样也能杜绝大部分重复 |
 |
7
Maerd 329 天前 1
百万级基本不用考虑这个问题，公司的某项目日入数据量达到千万级，使用索引去重才出现性能问题，注意是日入
|
 |
8
ConnorZhang776 316 天前
我赞同使用 bloomFilter + redis 的方法，非常实用，只需要一个简单的 hash 就可以确定是否存在，且可以自定义重复率，个人觉得非常实用
|
 |
9
TTTSHU 313 天前
可以将 bloomFilter + redis 和 唯一索引 结合起来使用，既不会太影响性能又能保证去重效果
|
Select Language