1.百度屏蔽你的ip地址,可以使用IP代理,模拟浏览器进行解决
3.抓取网站的黑名单,白名单
4.在百度里面搜索数据如果只有一页只解析一页便好,如果多页,需要解析不同页面的数据转化为dom
5.抓取数据需要设时间间隔进行抓取
6.需要建任务计划程序,进行部署exe文件
难点:
1.解析两个帖子的相似度,自动识别帖子是不是一个帖子
2.将抓取数据放到队列里面,利用先入先出,比较数据是否重复直接从队列里面取数据
3.抓取数据常用算法samhash
1.百度屏蔽你的ip地址,可以使用IP代理,模拟浏览器进行解决
3.抓取网站的黑名单,白名单
4.在百度里面搜索数据如果只有一页只解析一页便好,如果多页,需要解析不同页面的数据转化为dom
5.抓取数据需要设时间间隔进行抓取
6.需要建任务计划程序,进行部署exe文件
难点:
1.解析两个帖子的相似度,自动识别帖子是不是一个帖子
2.将抓取数据放到队列里面,利用先入先出,比较数据是否重复直接从队列里面取数据
3.抓取数据常用算法samhash