动态ip

>

代理ip软件

>

换ip软件

>

HTTP代理

>
Socks5代理
黑核动态ip代理
黑核动态ip为您提供更友好、更专业的服务。
您的位置:首页>常见问题>分布式爬虫通过动态代理ip有什么用
分布式爬虫通过动态代理ip有什么用
来源:黑核动态ip代理 时间:2019-04-08

分享到

  网络爬虫使用分布式,重点是解决两个难题:

  1)大批量URL管理

  2)网速

  现在比较流行的分布式网络爬虫,是Apache的Nutch。但是对于大多数用户来说,Nutch是这几类网络爬虫里,最不好的选择,理由如下:

  1)Nutch是为SEO设计的网络爬虫,大多数用户是需要一个做精准数据爬取(精抽取)的网络爬虫。Nutch运行的一套流程里,有三分之二是为了SEO而设计的。对精抽取没有太大的意义。也就是说,用Nutch做数据抽取,会浪费很多的时间在不必要的计算上。而且如果你试图通过对Nutch进行二次开发,来使得它适用于精抽取的业务,基本上就要破坏Nutch的框架,把Nutch改的面目全非,有修改Nutch的能力,真的不如自己重新写一个分布式网络爬虫框架了。

分布式爬虫通过动态代理ip有什么用

  2)Nutch依赖hadoop运行,hadoop本身会消耗很多的时间。如果集群机器数量较少,爬取速度反而不如单机网络爬虫快。

  3)Nutch虽然有一套插件机制,而且作为亮点宣传。可以看到一些开源的Nutch插件,提供精抽取的功能。但是开发过Nutch插件的人都知道,Nutch的插件系统有多蹩脚。利用反射的机制来加载和调用插件,使得程序的编写和调试都变得异常困难,更别说在上面开发一套复杂的精抽取系统了。而且Nutch并没有为精抽取提供相应的插件挂载点。Nutch的插件有只有五六个挂载点,而这五六个挂载点都是为了SEO服务的,并没有为精抽取提供挂载点。大多数Nutch的精抽取插件,都是挂载在“页面解析”(parser)这个挂载点的,这个挂载点其实是为了解析链接(为后续爬取提供URL),以及为SEO提供一些易抽取的网页信息(网页的meta信息、text文本)。

  4)用Nutch进行网络爬虫的二次开发,网络爬虫的编写和调试所需的时间,往往是单机网络爬虫所需的十倍时间不止。了解Nutch源码的学习成本很高,何况是要让一个团队的人都读懂Nutch源码。调试过程中会出现除程序本身之外的各种难题(hadoop的难题、hbase的难题)。

  5)很多人说Nutch2有gora,可以持久化数据到avro文件、hbase、mysql等。很多人其实理解错了,这里说的持久化数据,是指将URL信息(URL管理所需要的数据)存放到avro、hbase、mysql。并不是你要抽取的结构化数据。其实对大多数人来说,URL信息存在哪里无所谓。

  6)Nutch2的版本目前并不适合开发。官方现在稳定的Nutch版本是nutch2.2.1,但是这个版本绑定了gora-0.3。如果想用hbase配合nutch(大多数人用nutch2就是为了用hbase),只能使用0.90版本左右的hbase,相应的就要将hadoop版本降到hadoop 0.2左右。而且nutch2的官方教程比较有误导作用,Nutch2的教程有两个,分别是Nutch1.x和Nutch2.x,这个Nutch2.x官网上写的是可以支持到hbase 0.94。但是实际上,这个Nutch2.x的意思是Nutch2.3之前、Nutch2.2.1之后的一个版本,这个版本在官方的SVN中不断更新。而且非常不稳定(一直在修改)。

  所以,如果你不是要做SEO,尽量不要选择Nutch作为网络爬虫。有些团队就喜欢跟风,非要选择Nutch来开发精抽取的网络爬虫,其实是冲着Nutch的名气,当然最后的结果往往是项目延期完成。

  如果你是要做SEO,Nutch1.x是一个非常好的选择。Nutch1.x和solr或者es配合,就可以构成一套非常强大的SEO了。如果非要用Nutch2的话,建议等到Nutch2.3发布再看。目前的Nutch2是一个非常不稳定的版本。


在线客服
大客户VIP渠道
点击这里给我发消息
讨论QQ群
客服电话
13318873961