首页 > 其他 > 详细

大数据之爬虫

时间:2019-04-19 19:02:08      阅读:150      评论:0      收藏:0      [点我收藏+]

 

本文为《搞定大数据爬虫项目》学习,想通系统学习机器这个最火爆内容的同学,推荐学习课程:http://www.dajiangtai.com/course/7.do?sp=www_117

 

课程大纲

项目背景
1、了解传统广电收视率项目背景 
2、用户数据有哪些价值点 
3、哪些机构掌握这些数据 
4、爬虫目标:互联网各大视频网站 
项目总体需求
1、多维度统计:总播放指数、每日播放增量、评论数、收藏数、赞、踩 
2、数据可视化:节目收视排行榜、多维度指标趋势图 
难点分析
1、网站采取反爬策略 
2、网站模板定期变动 
3、网站URL抓取失败 
4、网站频繁抓取IP被封 
系统架构设计
1、总体架构解析 
2、数据流向 
3、功能模块划分 
4、各个模块详细解读 
技术选型
1、数据采集层 
2、数据存储层 
3、数据处理层 
4、数据展示层 
部署方案
1、爬虫项目:分布式集群 
2、爬虫定时项目:一台服务器 
3、爬虫项目监控:一台服务器 
4、爬虫可视化:多台服务器 
5、Hbase数据库:分布式集群 
6、Redis数据库:分布式集群 
7、Solr 全文检索:分布式集群 
8、Zookeeper 监控:分布式集群 
9、Solr 建立索引:一台服务器 
10、邮件提醒:一台服务器 
爬虫代码详尽实现
1、下载、解析视频网站详情页面url,提取关键字段数据 
2、抽取视频网站解析规则模板,优化解析代码 
3、打通数据爬虫的下载、解析、存储流程 
4、采用Hbase存储爬虫数据,详解Hbase宽表和窄表设计以及爬虫项目表的详细设计,包含rowKey设计、列簇设计、历史版本 
5、解析视频网站所有分页url并优化解析实现类 
6、使用Queue队列存储视频网站所有url,实现视频网站url循环抓取 
7、采用高、低优先级队列循环抓取视频网站url 
8、采用Redis数据库实现url抓取优先级,并支持分布式爬虫 
9、采用多线程爬虫,加快爬虫效率 
10、定时启动爬虫项目 
11、完善爬虫项目、补充抓取关键字段数据 
全文检索
1、Lucene、Solr、ElasticSearch简介 
2、全文检索过程:索引创建和搜索索引 
3、解决全文检索的核心问题 
4、Solr+Hbase组合提升检索效率 
5、Solr 配置详解 
6、Solr 安装部署 
7、Solr 建立索引 
8、Solr 检索视频网站数据 
数据可视化
1、采用SpringMVC框架编写爬虫Web项目 
2、编写Hbase工具类查询Hbase数据 
3、编写Solr工具类检索爬虫数据 
4、采用Freemarker或者jsp展示页面 
5、采用Highcharts插件展示收视指数曲线图 
6、打通爬虫整个项目流程,实时查看收视排行榜以及收视指数曲线图 
项目优化一
1、设置合理的抓取时间间隔,模拟正常用户访问,降低IP被封概率 
2、采用Redis 动态IP库,随机获取IP,随机抓取不同网站数据,降低同一IP对统一网站的访问频率 
3、实现分布式爬虫,提高爬虫效率 
项目优化二
1、Ganglia、Zookeeper简介 
2、详解Zookeeper特性监控爬虫项目 
3、完善爬虫项目注册Zookeeper集群 
4、编写Watcher监视器监控爬虫项目生命周期 
5、集群监控的整体联调 
项目优化三
1、监控器监控爬虫项目异常,异常数据插入数据库
2、编写邮件Mail项目扫描爬虫项目异常信息,通知运维人员
3、编写定时器定时执行Mail项目 

大数据之爬虫

原文:https://www.cnblogs.com/dajiangtai/p/10737558.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!