- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
上下文
我编写了一个 Java 爬虫,它定期下载 Google 上列出的包含一组关键字的页面。这些页面要么是静态的(即,其内容不会改变),要么是动态的(即,其内容会发生变化,因为它是用户生成的或意味着每天更新/ecc...)。爬虫将每个页面存储在 MongoDB 数据库中,保存:
问题
但是,页面可能会被多次下载,我的目标是了解某个页面是否已存在于我的数据库中并防止爬虫再次下载它。
我的解决方案
因此,我使用以下哈希函数对页面内容进行哈希处理:
private long hashFunction(String text) {
long h = 1125899906842597L;
int len = text.length();
for (int i = 0; i < len; i++)
h = 31*h + text.charAt(i);
return h;
}
并将哈希值与前面列出的字段一起存储在数据库中。因此,每次下载页面时,我都会对其内容进行哈希处理,如果哈希值已包含在数据库中,我就会丢弃该页面。
为什么我的解决方案不起作用
不幸的是,页面可能会发生一些变化,但仍然建议相同的内容。举个例子:
因此,我的数据库中有很多重复项,它们报告相同的内容,仅在某些字符上有所不同。
问题
是否有更智能的方法来跟踪页面之间的差异,以便在更改很小的情况下,我可以识别出该页面已经在数据库中?显然,该解决方案应该具有高性能,因为数据库可能会变得非常大,并且对大型文档执行精确匹配的成本可能会很高。
[编辑]一个暂定的解决方案(可能有意义......)
我想到了:
这有道理吗?
最佳答案
如果您的问题是检查数据库中是否已存在页面的特定版本以防止爬网程序下载它,那么散列不是可行的方法,因为无论如何您都必须下载该页面才能生成散列.
如果您存储 Last-Modified http header值,您可以在所有后续请求中使用 If-Modified-Since http header 。如果你按照这种方式,你将不得不存储
存储内容对于进一步处理来说是很好的,但是我建议使用 html 抓取库来为你做这件事。看这个问题options-for-html-scraping
此外,我相信最好不要太频繁地下载数据(这可能取决于您的问题域),但您可以简单地假设该页面在过去 20 分钟左右没有发生变化。如果页面更改非常频繁,您无论如何都会落后于最新版本。
关于java - 检查网页是否已经下载,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28324157/
当我尝试通过我的 .exe 文件从 url 下载 .pdf 文件时出现以下错误。 The server committed a protocol violation. Section=Response
我是一家非营利组织的 G Suite 管理员,刚刚发现数据导出功能,这似乎是个人帐户的外卖。 导出文件已准备好,现在可以从 Google Cloud Platform Storage 中的存储桶下载。
导航 引言 总体思路 七牛云相关的配置文件 获取七牛云上传token 相关类定义 核心代码实现 获取七牛云图片下载链接 公开空
这不是后端编程问题。我只能修改标记或脚本(或文档本身)。我在这里问的原因是因为我对适当术语的所有搜索都不可避免地导致有关编程此功能的问题和解决方案。我不是试图通过编程来强制它;我必须找出此 PDF 行
您好,我已在 Google AdSense 中注册,我想使用适用于 iOS 的 SDK,但目前我找不到 SDK 下载链接。 我的申请已获批准。 任何人都知道如何下载这个sdk。 我使用这个链接来描述如
我需要为当前在 SourceForge 上的 github 项目提供二进制文件和文档。在那里,我可以为我需要的下载提供一个目录结构,因为我必须为大约 10 个不同的操作系统提供几个版本。 github
我从 Canvas 下载绘图时遇到问题。这是我的代码: function downloadCanvas(link, canvasId, filename) { link.href =
ASP.NET 项目 我将使用 Azure 进行存储。问题(要求): 在我的项目中,我让注册用户下载文件。但我不希望用户将此下载链接分享给未注册的人(例如:我给注册用户的下载链接只能在他们的计算机上下
我编写了一个servlet,用于检查http header ,但我不知道为什么当页面加载时,它会自动开始下载。 /* * To change this template, choose To
我正在尝试将下载添加到我的网络浏览器,但遇到的问题是获取您尝试下载的文件的名称。这是我的下载代码: engine.locationProperty().addListener(new ChangeLi
我正在尝试下载网站的 html: String encoding = "UTF-8"; HttpContext localContext = new BasicHttpContext();
我制作了一个带有“开始下载”按钮的框架,用于从网站下载 JAR。 问题是每当我点击开始下载按钮时,整个框架就会卡住,直到下载完成,然后就正常了。 我该如何解决这个问题? 这是单击按钮时执行的代码 p
我得到这段代码来实现一些东西,它可以帮助我从给定的 URL 下载文件。 -(void)URLSession:(NSURLSession *)session downloadTask:(NSURLSes
我正在尝试创建一个 Controller 来使用流方法下载和上传文件,在我的例子中,所有文件都作为 Blob 保存在数据库中。我阅读了 Jboss Netty 的文档,但我认为这不是我的最佳解决方案。
下载并保存文件 let destination: DownloadRequest.DownloadFileDestination = { _, _ in // var fileURL = sel
使用 htaccess 我基本上试图禁止访问该页面,即 http://example.com , 但它仍然允许人们下载文件,如果他们有直接链接即 http://example.com/hi.zip .
我正在寻求将脚本与我的控制面板集成,并且由于我是新手脚本编写者而遇到问题。我想做的是用 1 个脚本下载一个文件并解压它。 示例: wget http://example.com/example.tar
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 我们不允许提问寻求书籍、工具、软件库等的推荐。您可以编辑问题,以便用事实和引用来回答。 关闭 7 年前。
这个问题在这里已经有了答案: Top techniques to avoid 'data scraping' from a website database (14 个答案) 关闭 5 年前。 我有
这个问题在这里已经有了答案: Reading and parsing email from Gmail using C#, C++ or Python (6 个答案) 关闭 7 年前。 我只是想,是
我是一名优秀的程序员,十分优秀!