制定单页采集规则,在打数机中添加线索(url列表)。如果页面正常的话可以一页一页的采集到内容。
但是遇到URL的页面不存在:404页面的时候,采集就停止了。
想请教下,有没有办法让它自动跳过这些页面,继续下一页的采集?
每次都有手动继续很麻烦。。。
多谢!
举报 使用道具
| 回复

共 2 个关于本帖的回复 最后回复于 2017-2-16 21:02

沙发
ym 版主 发表于 2017-2-16 15:17:31 | 只看该作者
用爬虫群采集,只要还有待抓取的线索,就会自动采集,即使中间某个线索抓失败了,也不影响剩下的采集。
配置操作看:《如何运行爬虫群》
举报 使用道具
板凳
Fuller 管理员 发表于 2017-2-16 21:02:00 | 只看该作者
遇到404的话,会等待直到超时,所以,如果经常遇到这种网页,会大大拖慢采集速度。

你看到的404是什么样子?能否给个网址?

有些你看到的404其实不是真正的404,而是一个实实在在的网页,只是在网页上显示了“404”这个文字,如果是这种情况,针对这个网页再做一个采集规则,与当前的规则使用相同的主题名,但是规则编号不一样,这样,DS打数机就能自动判断是404还是有内容的网页。

如果不是上面说的那种情况,发个网址出来,我们研究一下处理方法
举报 使用道具
您需要登录后才可以回帖 登录 | 立即注册

精彩推荐

  • Gephi社会网络分析-马蜂窝游记文本分词并同
  • Gephi社会网络分析-基于马蜂窝游记文本以词
  • 知乎话题文本根据词语间距筛选后生成共词矩
  • 马蜂窝游记文本分词后以词语间距为筛选条件
  • 学习使用apriori算法挖掘关联关系

热门用户

GMT+8, 2024-5-4 22:05