我想从某些网站抓取有用的资源（如背景图片..）。这不是一项艰苦的工作，特别是在一些精彩的项目如scrapy的帮助下。
这里的问题是我不仅希望一次抓取这个网站。我还想让我的爬网长时间运行并抓取更新的资源。所以我想知道网络抓取工具有什么好的策略来获取更新的页面吗？
这是我想到的粗略算法。我将抓取过程分为几轮。每轮URL存储库将为爬网程序提供一定数量（如10000）的URL进行爬网。然后是下一轮。详细步骤如下：
为了进一步说明，我仍然需要解决以下问题： 如何确定网页的“刷新”，表明此网页已更新的概率？
由于这是一个悬而未决的问题，希望它会在这里带来富有成果的讨论。
答案 0 :(得分：7)
您描述的“批处理”算法是实现此目的的常用方法，我使用scrapy进行了一些此类实现。
我采用的方法是初始化您的蜘蛛起始URL以使下一批抓取并正常输出数据（资源+链接）。然后在您选择生成下一批时处理这些。可以将所有这些并行化，因此您可以同时抓取不同批次的蜘蛛，如果您将属于同一站点的URL放在同一批次中，则scrapy将负责礼貌（根据您的偏好设置一些配置）。
一个有趣的调整是将调度分解为短期（在一个批次内，在scrapy内）和长期（在爬行批次之间），提供更多增量方法的一些优点，同时保持事情稍微简单一些。
您提到的爬网排序问题有多种方法（如何确定“刷新”），最佳方法取决于您的优先级（新鲜度与全面性，资源比其他资源更重要，等）。
我想推荐Christopher Olston和Marc Najork的Web Crawling article。这是一项很棒的调查，涵盖了您感兴趣的主题（批量爬行模型和爬网排序）。