分布式爬虫技术架构

  1. 云栖社区>
  2. 博客>
  3. 正文

分布式爬虫技术架构

skyme张 2015-03-26 19:13:00 浏览641
展开阅读全文

Spiderman

Spiderman 是一个Java开源Web数据抽取工具。它能够收集指定的Web页面并从这些页面中提取有用的数据。 Spiderman主要是运用了像XPath、正则、表达式引擎等这些技术来实现数据抽取。

项目结构:

image

依赖关系如下:

image

webmagic

webmagic采用完全模块化的设计,功能覆盖整个爬虫的生命周期(链接提取、页面下载、内容抽取、持久化),支持多线程抓取,分布式抓取,并支持自动重试、自定义UA/cookie等功能。

image

工程结构:

image

工程间的关系:

image

众推

用整体正在进行中,目前积中在分布式爬虫阶段。

241133427088097

目前设计阶段的结构为:

cdoop

基本思想为:

WEB:界面及功能部分。

SAMPLES:示例部分。

CORE:需要调用的核心包。

RULES:规则处理部分。

PARSERS:解析部分。

PLUGIN:插件部分。

CDOOP:分布式处理部分。

ADAPTER:代理适配部分。

STORE:存储层。

目前项目的地址在:

https://github.com/zongtui/zongtui-webcrawler

网友评论

登录后评论
0/500
评论
skyme张
+ 关注