这个爬虫用实验室十台电脑一起干活,可随时添加删除机器,具有良好的伸缩性,为了能够实现断点续爬和多台电脑之间的协作使用了Redis作队列, 为了保证不重复爬取使用Redis作hash表,所有爬取的任务都放到hash表中进行标记。(打算用布隆过滤器改进,更新时间待定!) 爬取太频繁会被知乎返回429(too many request),应对的策略是挂代理,一种方法是使用专业的云代理服务(有点贵),另一种是自建代理池,定时爬取互联网上免费代理ip。最后数据使用sql server存储, 最后对数据进行分析,使用百度echart.js进行画图
- 数据库
- ms sqlserver
- Redis
- 数据库访问
- Entity Framework
- ServiceStack.Redis
- HTML解析
- HtmlAgilityPack
- 所用Redis的数据结构
- 队列(多台电脑之间协作)
- hash(避免重复爬取)
- 数据展示 * echart.js
- 计划 打算使用redis的bitmap(Bitmaps并不是实际的数据类型,而是定义在String类型上的一个面向字节操作的集合。因为字符串是二进制安全的块,他们的最大长度是512M,最适合设置成2^32个不同字节)当bitarray的过滤数组,
- 可行性分析: 在使用8个哈希函数的情况下,512MB大小的位数组在误报率万分之五的情况下可以对约两亿的url去重。两个亿的url是足够用的。而且比hash节省大量的空间。( 先占一个坑,等待我日后更新,先star我的项目吧)