您的位置:首页 > 新闻资讯 >文章内容
爬虫都要使用动态代理ip吗?Java分布式爬虫Nutch呢?
来源:互联网 作者:admin 时间:2019-04-08 17:12:27

  开始学爬虫之时,最先接触的是简单的爬虫,随着学习的深入,慢慢开始接触分布式爬虫。我们使用分布式爬虫主要是为了加大数据的爬取,也就是大批量URL管理。


  比如说我们常用的Scrapy,此外,还有没有其他的分布式爬虫呢?有的,比如Java中的Nutch。不过,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:


  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。


爬虫都要使用动态代理ip吗?Java分布式爬虫Nutch呢?


  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)。


  Nutch2的版本目前并不适合开发。官方现在稳定的Nutch版本是,但是这个版本绑定了。如果想用hbase配合nutch(大多数人用nutch2就是为了用hbase),只能使用版本左右的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,分别是和,这个官网上写的是可以支持到hbase 0.94。但是实际上,这个的意思是之前、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)。


  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。


  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)。


  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。


  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,是一个非常好的选择。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,建议等到发布再看。目前的Nutch2是一个非常不稳定的版本。


  另外,分布式爬虫还需要使用动态IP的,否则效果没有那么好,速度也是提不起来的。


相关文章内容简介
推荐阅读
  • 10 2019-10
    可以通过浏览器测试代理IP是否可用

    发现代理IP无法使用的时候,大家的第一反应都会是觉得是不是IP失效了?其实想要知道代理IP是不是不能够用了,我们可以用浏览器来作为测试的工具,接下来一起看看分析。

  • 19 2019-03
    反反爬虫如何使用代理ip?

    反反爬虫为了应对网站的反爬虫,要浑身解数,找到漏洞,还要找到突破的方法,小编今天介绍个非常好用的工具,就是代理IP了。

  • 24 2019-12
    IP地址能查到用户位置吗?

    IP地址能查到用户位置吗?我们查IP地址的时候,出现的位置信息,一般都是定位到城市,那么查IP地址是怎么查到具体的位置信息呢?

  • 15 2019-03
    设置代理IP使用,要注意并发问题

    当我们首次接触一件事情,或者是不熟悉的时候,是会经常遇到各种各样的问题,而我们在处理这些问题的过程中就会逐渐掌握了一些实用的技巧。对于代理IP的使用也是如此,刚刚接触到代理I

  • 06 2019-08
    分布式爬虫加上http代理高效采集

    分布式爬虫加上http代理高效采集,这数据的采集肯定是要有效率的,相对于单个网络爬虫而言,分布式爬虫和http代理是提高效率的工具,http代理可以使用机灵代理。那么分布式网络爬虫怎么用

  • 09 2019-07
    爬虫需要多少代理ip?

    爬虫需要多少代理ip?由于进行数据采集时,爬虫来被IP限制,这可以使用代理ip来解决的,那么爬虫需要多少代理ip才能解决问题呢?

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部