- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
信息检索与搜索引擎 陈若愚
计算机学院
垂直爬⾍的设计和实现 北京信息科技⼤学
TOC
❖ 常见开源爬⾍⼯具
❖ 开源爬⾍⼯具WebMagic介绍
❖ 如何使⽤WebMagic编写爬⾍
常见开源爬⾍⼯具-Nutch
❖ Java语⾔开发。由Apache软件基⾦会管理。与Apache基
⾦会其他项⽬如Lucene、Tika等结合很好
❖ Nutch 1.2 是⼀个完整搜索引擎。Nutch 1.7是⼀个⽹络爬
⾍,以HDFS为后端。从2.x版本开始,⽀持Hadoop、
HBase、Cassandra、MongoDB、Solr等作为后端。
❖ 可扩展性⾮常好:设计⽬标是每⽉抓取⼏⼗亿⽹页
❖ / 最新版本2.3.1 [2016.01.21发
布]
Nutch 的特点/问题
❖ ⾮常成熟和稳定
❖ 完全分布式架构,与Hadoop相关项⽬结合较为紧密
❖ ⾯向通⽤搜索引擎
❖ 对于垂直搜索引擎来说:太过重量级,定制难度⼤,难
以实现精细的页⾯分析
常见开源爬⾍⼯具-Heritrix
❖ Java语⾔开发。由互联⽹档案馆(Internet Archive)开发维
护。
❖ 设计⽬的是对互联⽹⽹页进⾏归档,可扩展性很好,提
供基于Web页⾯的管理界⾯
❖ /internetarchive/heritrix3 ,最新版
本3.2.0 [2014.01.10发布]
常见开源爬⾍⼯具-Scrapy
❖ Python语⾔开发
❖ 创建⼀个Scrapy项⽬
❖ 定义提取的Item
❖ 编写爬取⽹站的 spider 并提取 Item
❖ 编写 Item Pipeline 来存储提取到的Item( 即数据)
❖ /scrapy/scrapy 最新版本1.0.5
课后阅读
❖ Nutch快速⼊门 (Nutch 2.2.1)
❖ http://cn.soulmachine.me/blog
❖ 利⽤ Heritrix 构建特定站点爬⾍
❖ /developerworks/cn/opensource/
os-cn-heritrix/
❖ Scrapy⼊门教程
❖ /zh_CN/latest/intro/
tutorial.html
WebMagic
❖ 为什么选择WebMagic ?
❖ 开源:/code4craft/webmagic
❖ 短⼩精悍,结构清晰,架构设计参照了Scrapy
❖ 国⼈开发,⽂档完备:http://webmagic.io/docs/zh/
通⽤爬⾍
WebMagic
WebMagic 的组成
❖ Downloader: 负责下载页⾯,在Apache HttpClient的基
础上实现
❖ PageProcessor: 负责解析页⾯,抽取有⽤信息,发现新
的链接。WebMagic使⽤Jsoup作为HTML解析⼯具,并
基于其开发了解析XPath的⼯具Xsoup 。每个站点每个页
⾯的PageProcessor都不⼀样,需要使⽤者定制。
WebMagic 的组成(续)
❖ Scheduler: 负责管理待抓取的URL ,以及⼀些去重的⼯
作。WebMagic默认提供了JDK 的内存队列来管理URL ,
并⽤集合来进⾏去重。也⽀持使⽤Redis进⾏分布式管
理。
❖ Pipeline: 负责抽取结果的处理,包括计算、持久化到⽂
件、数据库等。WebMagic默认提供了“输出到控制台”和
“保存到⽂件”两种结果处
原创力文档


文档评论(0)