mongoDB聚合操作在爬虫中的应用:查询匹配对应条件的数据,然后随机取样

举报
橙子园 发表于 2022/05/26 01:18:05 2022/05/26
【摘要】 背景: 假如我的爬虫需要同一套代码,实现并行执行多个爬虫任务。这时你可以使用代码中实现多进程,这样做部署在一台服务器中是可以的。但是如果你是部署多台服务器的时候,就有问题了。当然有多种实现方式,但我这边...

背景:

假如我的爬虫需要同一套代码,实现并行执行多个爬虫任务。这时你可以使用代码中实现多进程,这样做部署在一台服务器中是可以的。但是如果你是部署多台服务器的时候,就有问题了。当然有多种实现方式,但我这边是使用mongo来实现的。

解决:

当你启动爬虫时,将一些爬虫列表(适合于万级~千万级别)存储在mongo中。然后,查询对应条件的爬虫列表,然后随机取样,这就可以实现多个并行爬虫获取到的爬虫列表不同,从而避免多次运行一套代码重复爬取相同的列表,当然这样还是可能重复,但已经极大程度避免了爬虫列表的重复,提高了爬取的效率

示例代码:

使用aggregate聚合操作的 m a t c h 先 匹 配 出 对 应 条 件 下 的 数 据 , 然 后 使 用 match先匹配出对应条件下的数据,然后使用 match使sample抽样

cursor = db.collection.aggregate([{'$match': {'scholarStatus': '0'}}, {'$sample': {'size': 500}}])

  
 
  • 1

文章来源: blog.csdn.net,作者:橙子园,版权归原作者所有,如需转载,请联系作者。

原文链接:blog.csdn.net/Chenftli/article/details/113743999

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。