如何使用爬虫监控一系列网站的更新情况？
程序员文章站
2024-01-21 20:07:28
...
我现在想到的方法只有每天自动把网站爬下来 然后对比新旧网站的HTML文件 才决定有没有更新
2 第二次访问网页，如果发现本地已经有了 a.html，则向服务器发送一个 If-Modified-Since 的请求（http://www.w3.org/Protocols/rfc2616/rfc2616-sec14.html）。 把 a.html 的修改时间写到请求里。
3 如果网页更新了，服务器会返回一个 200 的应答，这时就重新抓取网页，更新本地文件。
4 如果网页没有更新，服务器会返回一个304的应答。这时就不需要更新文件了。 这个问题已经有人做出现成产品了，你可以看一下:
http://sleepingspider.com
注册成为用户后，可以选择需要关注的网页，如有更新会收到邮件提醒。还有一些高级的设置，没用过，你可以看看 我的本科毕设就是这个。。
当时做了一套监控果库、想去、花瓣市集、暖岛的服务。
实现方式：
1. crontab 定时任务
2. node 读取配置并调用 phantomjs（内存型浏览器） 访问各链接并存图。
3. 所有图片用日期分文件夹命名，用 Bootstrap 做个对比显示。
如果有这样一套服务，我觉得挺好的。
不过付费率可能是个问题。 也许用git对扒下来网页做版本控制也行吧？ 我歪个楼
chrome有个Page Monitor的插件 使用MD5数字签名
每次下载网页时，把服务器返回的数据流ResponseStream先放在内存缓冲区，然后对
ResponseStream生成MD5数字签名S1，下次下载同样生成签名S2,比较S2和S1，如果相同，则页面没有
跟新，否则网页就有跟新。 可以使用网站资讯监控工具，非常符合你的要求
回复内容：
1 第一次先请求某个网页，抓取到本地，假设文件名为 a.html。这时文件系统有个文件的修改时间。2 第二次访问网页，如果发现本地已经有了 a.html，则向服务器发送一个 If-Modified-Since 的请求（http://www.w3.org/Protocols/rfc2616/rfc2616-sec14.html）。 把 a.html 的修改时间写到请求里。
3 如果网页更新了，服务器会返回一个 200 的应答，这时就重新抓取网页，更新本地文件。
4 如果网页没有更新，服务器会返回一个304的应答。这时就不需要更新文件了。 这个问题已经有人做出现成产品了，你可以看一下:
http://sleepingspider.com
注册成为用户后，可以选择需要关注的网页，如有更新会收到邮件提醒。还有一些高级的设置，没用过，你可以看看 我的本科毕设就是这个。。
当时做了一套监控果库、想去、花瓣市集、暖岛的服务。
实现方式：
1. crontab 定时任务
2. node 读取配置并调用 phantomjs（内存型浏览器） 访问各链接并存图。
3. 所有图片用日期分文件夹命名，用 Bootstrap 做个对比显示。
如果有这样一套服务，我觉得挺好的。
不过付费率可能是个问题。 也许用git对扒下来网页做版本控制也行吧？ 我歪个楼
chrome有个Page Monitor的插件 使用MD5数字签名
每次下载网页时，把服务器返回的数据流ResponseStream先放在内存缓冲区，然后对
ResponseStream生成MD5数字签名S1，下次下载同样生成签名S2,比较S2和S1，如果相同，则页面没有
跟新，否则网页就有跟新。 可以使用网站资讯监控工具，非常符合你的要求