python爬虫笔记-day6

最新推荐文章于 2025-09-13 19:07:06 发布

转载最新推荐文章于 2025-09-13 19:07:06 发布 · 102 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://blog.51cto.com/13517854/2322192

文章标签：

#数据库 #爬虫 #python

本文对比了MongoDB、MySQL和Redis的特点与应用场景，探讨了在不同需求下如何选择合适的数据库，包括速度、数据量和数据关系等考量因素，并介绍了爬虫数据去重的方法。

mongodb mysql redis的区别和使用场景
mysql是关系型数据库，支持事物
mongodb，redis非关系型数据库，不支持事物
mysql，mongodb，redis的使用根据如何方便进行选择
希望速度快的时候，选择mongodb或者是redis
数据量过大的时候，选择频繁使用的数据存入redis，其他的存入mongodb
mongodb不用提前建表建数据库，使用方便，字段数量不确定的时候使用mongodb
后续需要用到数据之间的关系，此时考虑mysql

爬虫数据去重，实现增量式爬虫
使用数据库建立关键字段（一个或者多个）建立索引进行去重
根据url地址进行去重
使用场景：
url地址对应的数据不会变的情况，url地址能够唯一判别一个条数据的情况

思路
url存在redis中
拿到url地址，判断url在redis的url的集合中是够存在
存在：说明url已经被请求过，不再请求
不存在：url地址没有被请求过，请求，把该url存入redis的集合中

布隆过滤器
使用多个加密算法加密url地址，得到多个值
往对应值的位置把结果设置为1
新来一个url地址，一样通过加密算法生成多个值
如果对应位置的值全为1，说明这个url地址已经抓过
否则没有抓过，就把对应位置的值设置为1

根据数据本省进行去重
选择特定的字段，使用加密算法（md5，sha1）讲字段进行假面，生成字符串，存入redis的集合中
后续新来一条数据，同样的方法进行加密，如果得到的字符串在redis中存在，说明数据存在，对数据进行更新，否则说明数据不存在，直接插入

page50练习

db.tv1.aggregate(
  {$project:{title:1,_id:0,count:"$rating.count",rate:"$rating.value",country:"$tv_category"}},
  {$match:{rate:{$gt:8}}},
  {$group:{_id:"$country",count:{$sum:1}}},
  {$project:{_id:0,country:"$_id",count:1}}
  )

logging 模块的使用
scrapy
settings中设置LOG_LEVEL=“WARNING”
settings中设置LOG_FILE="./a.log" #设置日志保存的位置，设置会后终端不会显示日志内容
import logging,实例化logger的方式在任何文件中使用logger输出内容

普通项目中
import logging
logging.basicConfig(...) #设置日志输出的样式，格式
实例化一个logger=logging.getLogger(name)
在任何py文件中调用logger即可

转载于:https://blog.51cto.com/13517854/2322192