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
  • 06 2019-09
    使用代理IP爬虫有哪些关键点?

    只是用一个IP的话,是无法开展爬虫项目的。因此,爬虫程序员需要通过代理IP建立起一个爬虫IP池,在做爬虫项目的时候,又有哪些可能会发生的问题呢?下面通过一个具体的步骤分享,来解答

  • 15 2019-07
    国内最大的http代理服务商

    国内最大的http代理服务商是哪家?这是估计大家都是不知道的,因为很多商家也在不断的更新城市线路,很多企业的实力都非常厉害。

  • 05 2019-12
    百度贴吧推广IP被封怎么办?

    网络营销工作在不同平台都有不一样的规则,但是有一点通用的是,平台都不允许单一IP屡次重复操作,这样一来,平台就会把这个异常账号给封杀。于是,我们只能够换IP来解决。

  • 05 2019-06
    ip代理资源对新媒体运营的影响

    ip代理资源对新媒体运营的影响是怎样的?在新媒体运营中如果有ip代理资源的帮助,这工作起来会更加的有效率,效果也会更好,这是为什么呢?

  • 18 2019-05
    物美价廉的http代理

    物美价廉的http代理,大家都想找,但事实上并非易事。众所周知,免费的http代理不好用,对于大部分项目来说,效果非常低。

  • 24 2019-04
    爬虫代理为什么会用于电子商务行业?

    爬虫代理为什么会用于电子商务行业?我们知道爬虫是需要使用爬虫代理的,但是为什么电子商务行业也要使用爬虫代理呢?这其实跟商品的价格有关,众所周知,很多电商平台都有自动调价功

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