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
  • 26 2019-03
    代理网站选择那种服务器更好?

    各大网站使用服务器的越来越多,更重要的是有很多网站为了维持系统稳定性常使用较多的服务器来维持平衡。拿一个例子来讲,很多学校所使用的服务器大部分都是小服务器,这也导致大部分

  • 20 2019-03
    明明用了代理ip,还是被封住了,这是为何?

    明明用了代理ip,还是被封住了,这是为何?在做爬虫的时候会遇到一个问题,明明我已经使用爬虫代理ip了,却发现爬虫程序终止了,一查,真实ip被封了?是IP质量的问题吗?

  • 05 2019-07
    用代理ip上哪里找去?

    用代理ip上哪里找去?现在,代理ip的使用越来越广泛了,如果想要使用代理ip上哪里找去呢?有免费的也有付费的,看你喜欢哪个吧。

  • 18 2019-07
    HTTP代理保障爬虫程序顺利抓取

    HTTP代理保障爬虫程序顺利抓取,这是爬虫非常重要的工具之一,如果没有HTTP代理,会严重的影响到爬虫的工作效率,为什么呢?

  • 13 2019-04
    伪装IP地址,机灵代理出马可以换国内IP

    伪装IP地址,这有难度吗?随着互联网的普及,人们每天都在与互联网打交道。我们都知道Internet访问需要IP地址,否则将无法访问Internet。即使您使用无线网络,也需要分配IP地址以连接到Internet

  • 08 2020-04
    Http代理和SockS5代理的区别

    我们知道,代理IP按用途可以分为很多种,其中有两种最常用的就是Http代理和SockS5代理,今天我们来说说它们的区别。

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