原创力文档- 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
SCA 产品培训
作者：任我行
2013 年11 月13 日
A I L K - B I Z - B I
目录
1 项目概述 3
1.1 项目背景 3
1.2 内容语 析 3
1.3 用户行为轨迹增强 3
2 系统架构 4
2.1 流量经营系统 4
2.2SCA 系统 5
2.2.1 边界与接口 5
2.2.2 内部流程 5
3 技术背景 ——Hadoop 6
3.1 Hadoop 生态系统 6
3.2 Hadoop 中的job 运行机制 6
4 socket 接口模块 8
4.1 概述 8
4.2 同步SOCKET 的实现逻辑 9
4.2.1 SOCKET 的启动实现 10
4.2.2 服务端保留的 端连接信息 11
4.2.3 服务端接收到分类请求消息调用URL 分类器分类 13
4.3 异步SOCKET 的实现逻辑 17
4.3.1 SOCKET 的启动实现 17
4.3.2 服务端保留的 端连接信息 17
4.3.3 服务端接收到分类请求消息调用PAGE 分类器分类 17
4.4 同步SOCKET 与异步SOCKET 的启动参数 20
5 爬虫模块 20
5.1 概述 20
5.2 主流程 21
5.2.1Nutch 原始流程 21
5.2.2 Nutch 改造后的流程 21
5.3 流程步骤实现 22
5.3.1 合并排序步骤URLMerger 的实现 22
5.3.2 抓取步骤fetcher 调整过的内容 23
5.3.3 内容分类步骤CrawlClassifier 的实现 26
5.3.4 网页关键字（K2: WEBPAGE_KEYWORD ）抽取 27
6 内容识别模块 29
6.1 URL 规则分类 29
6.2 网页内容分类 31
7 实例库更新与DMZ 传输模块 40
7.1 实例库更新 41
7.2 DMZ 传输 42
8 打包部署 43
8.1 概述 43
8.2 本地打包过程 44
8.2.1 开发环境搭建 44
8.3 手工调整内网包结构 51
8.3.1 %sca_home%\app\abstract-module 51
8.3.2 %sca_home%\app\dbrmi 51
8.3.3 %sca_home%\newsocket 52
8.4 手工调整 包结构 52
8.4 sca\app\abstract-module 53
8.5 sca\app\apache- nutch-1.4- bin 53
1 项目概述
业务内容分析（SCA ）是亚信联创BI 研发中心的一个产品，它是流量运营 1.0 的组成部分，
提供了内容语 析、用户行为轨迹增强两个功能。
1.1 项目背景
1.2 内容语 析
SCA 的一个子模块；
通过语 析等技术对URL 进行解析、抽取、分析，最终给URL 打上分类等标记。
1.3 用户行为轨迹增强
SCA 的一个子模块；
该模块当前主要对对用户上网日志与
文档评论（0）