场景：爬取某商城的部分商品。
队列设计
这里至少需要爬取2种资源，一种是商品列表，一种是商品信息。
所以要设计1条队列，保存商品信息URL。
爬虫1定期爬前N个列表页 URL，把里面的商品信息URL爬下来，保存到队列里。
爬虫2定期从队列中抽出商品信息URL，爬取商品信息，爬完后把该URL移出队列。
所以呢，简单来说，只要有2张表就行了，一张保存队列信息，一张保存商品信息。
何时停止问题
为了避免每次都把所有商品爬一遍，就要在适当的时候停止。
爬列表页的时候，一般是设定只爬前 N 页。
爬商品信息URL的时候，一般是先检查这个商品是否存在，不存在就入队，存在的话，就表示接下来都是旧数据了，可以停止了。
当然有种情况，就是有些旧的商品，会被人为地置顶，或者排到前面来。
这时候就要设置一个值 M，每次最多爬前 M 个，多了不爬。
数据更新问题：
有新商品进来，直接插入即可，如果是旧商品，那要不要更新数据库里的内容呢？
一般来说是可以更新的，但有种情况例外，就是你的数据库会有人去编辑的情况。
如果你的数据库有专人编辑，那么最好不要更新旧商品，因为会覆盖掉编辑的内容。并且，数据表要采用软删除的方式，避免前面的人刚删除了数据，你的爬虫又把数据写进去了。
网友评论