201809網(wǎng)絡爬蟲系統(tǒng)-項目建設方案_第1頁
201809網(wǎng)絡爬蟲系統(tǒng)-項目建設方案_第2頁
201809網(wǎng)絡爬蟲系統(tǒng)-項目建設方案_第3頁
201809網(wǎng)絡爬蟲系統(tǒng)-項目建設方案_第4頁
201809網(wǎng)絡爬蟲系統(tǒng)-項目建設方案_第5頁
已閱讀5頁,還剩8頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

1、目錄 TOC o 1-5 h z .對項目的理解-3 -背景-3-業(yè)務目標錯誤!未定義書簽。應用感知目標-3- HYPERLINK l bookmark3 o Current Document .系統(tǒng)整體架構(gòu)-3 - HYPERLINK l bookmark5 o Current Document 技術(shù)框架-3- HYPERLINK l bookmark7 o Current Document 數(shù)據(jù)架構(gòu)-4- HYPERLINK l bookmark9 o Current Document 功能模塊-5- HYPERLINK l bookmark11 o Current Document 功能

2、模塊-5- HYPERLINK l bookmark13 o Current Document 應用部署架構(gòu)-6- HYPERLINK l bookmark15 o Current Document 3,詳細建設方案-7 - HYPERLINK l bookmark17 o Current Document 一站式大數(shù)據(jù)采集、存儲、清洗、訓練、導出-7- HYPERLINK l bookmark19 o Current Document 多租戶管理-7-功能說明-7 -平臺截圖-8 - HYPERLINK l bookmark21 o Current Document 豐富的數(shù)據(jù)接口 -8-

3、HYPERLINK l bookmark23 o Current Document 平臺高可用性-8- HYPERLINK l bookmark25 o Current Document 抓取高效性-8- HYPERLINK l bookmark27 o Current Document 高可擴展性-9- HYPERLINK l bookmark29 o Current Document 可視化爬蟲界面-9- HYPERLINK l bookmark35 o Current Document 抓取過程-10- HYPERLINK l bookmark37 o Current Document

4、硬件配置方案-11-主機、存儲資源-11 -軟件資源-11 - HYPERLINK l bookmark39 o Current Document 資源估算-11存儲-11 -CPU 與內(nèi)存-12 -.系統(tǒng)安全與系統(tǒng)測試錯誤!未定義書簽。系統(tǒng)管理以及系統(tǒng)安全措施錯誤!未定義書簽。系統(tǒng)測試的方法和環(huán)境錯誤!未定義書簽。.工程進度安排及項目實施人員資質(zhì)錯誤!未定義書簽。工程進度安排錯誤!未定義書簽。項目支撐人員組成表錯誤!未定義書簽。支撐人員相關(guān)證明材料錯誤!未定義書簽。楊繼營(項目負責人)錯誤!未定義書簽。李筠錯誤!未定義書簽。鄒娟錯誤!未定義書簽。邱文川錯誤!未定義書簽。唐亮錯誤!未定義書簽。

5、趙柏杰錯誤!未定義書簽。53.7劉子悅錯誤!未定義書簽。曹平錯誤!未定義書簽。陳漢雄錯誤!未定義書簽。陳一錯誤!未定義書簽。付敏健錯誤!未定義書簽。張福元錯誤!未定義書簽。何州鵬錯誤!未定義書簽。黃華金錯誤!未定義書簽。黃習文錯誤!未定義書簽。李佳錯誤!未定義書簽。李威虎錯誤!未定義書簽。劉起云錯誤!未定義書簽。冼錫勇錯誤!未定義書簽。楊鋒錯誤!未定義書簽。鄒興錯誤!未定義書簽。.售后服務及質(zhì)量保證措施、技術(shù)支持和保修等錯誤!未定義書簽。培訓錯誤!未定義書簽。維護與升級錯誤!未定義書簽。質(zhì)量保證期內(nèi)的服務錯誤!未定義書簽。壽命期內(nèi)維修服務錯誤!未定義書簽。.人員培訓計劃、安排錯誤!未定義書簽。

6、.分工界面及工作內(nèi)容錯誤!未定義書簽。技術(shù)支持錯誤!未定義書簽。培訓推廣錯誤!未定義書簽。售前階段的配合服務錯誤!未定義書簽。售中階段的配合服務錯誤!未定義書簽。售后階段的配合服務錯誤!未定義書簽。.技術(shù)承諾錯誤!未定義書簽。知識產(chǎn)權(quán)錯誤!未定義書簽。安全方案錯誤!未定義書簽。電話技術(shù)支持服務錯誤!未定義書簽。版本管理和軟件補丁服務錯誤!未定義書簽。技術(shù)資料服務錯誤!未定義書簽。重要通訊保障服務錯誤!未定義書簽。應急方案設計與預演服務錯誤!未定義書簽。輔助故障定位服務錯誤!未定義書簽。.相關(guān)案例錯誤!未定義書簽。.對項目的理解背景持續(xù)推進企業(yè)信息化的全面深化改革,深入公司管理層、分公司及一線收

7、集問題和需求, 圍繞“快、準、簡、穩(wěn)、智”五個標準,貫徹“零不爽” IT運營服務理念,提出了大數(shù)據(jù)應 用建設內(nèi)容,承接集團全網(wǎng)集約營銷活動,提升本地精準營銷服務,開展大數(shù)據(jù)合作運營分 析,提升財務、業(yè)務價值、人力和光網(wǎng)的精確管理能力,優(yōu)化領導視窗,建立網(wǎng)運綜合評價 體系,建設爬蟲能力,實現(xiàn)智慧化運營應用感知目標爬蟲頁面響應及內(nèi)容加載在5秒內(nèi),內(nèi)容展示響應速度時間小于5秒。爬蟲配置,系統(tǒng)維護功能簡單易用,80%用戶可以在經(jīng)過簡單培訓后結(jié)合使 用手冊,完成爬蟲的開發(fā)和平臺的維護。爬蟲平均宕機運行時間W10小時/月。平均故障恢復時間W180分鐘/次。爬蟲可以自動根據(jù)爬蟲節(jié)點的負載進行負載均衡處理,同

8、時當爬蟲出現(xiàn)不可 恢復的錯誤時,可以智能的選擇其他節(jié)點進行重新運行,保證爬蟲任務可以 正確完成。.系統(tǒng)整體架構(gòu)技術(shù)框架分布式爬蟲框架采用Nutch。Nutch是一個開源Java實現(xiàn)的搜索引擎,它提供 了我們運行自己的搜索引擎所需的全部工具,包括全文搜索和Web爬蟲。Nutch基于Lucene,類似Google的完整網(wǎng)絡搜索引擎解決方案,基于Hadoop 的分布式處理模型保證了系統(tǒng)的性能,插件機制保證了系統(tǒng)的可客戶化,而且很 容易集成到自己的應用之中??傮w上Nutch可以分為兩部分:抓取部分和搜索部分。抓取程序抓取頁面并 把抓取回來的數(shù)據(jù)做成反向索引,搜索程序則對反向索引搜索回答用戶的請求。抓取

9、程序和搜索程序的接口是索引,兩者都使用索引中的字段。抓取程序和搜索 程序可以分別位于不同的機器上。數(shù)據(jù)架構(gòu)抓取程序是被Nutch的抓取工具驅(qū)動的。這是一組工具,用來建立和維護幾 個不同的數(shù)據(jù)結(jié)構(gòu):web database、segments、the indexm種不同的數(shù)據(jù)結(jié)構(gòu):口 The web database (簡稱WebDB):這是一個特殊存儲數(shù)據(jù)結(jié)構(gòu),用 來映像被抓取網(wǎng)站數(shù)據(jù)的結(jié)構(gòu)和屬性的集合。WebDB用來存儲從抓取開 始(包括重新抓?。┑乃芯W(wǎng)站結(jié)構(gòu)數(shù)據(jù)和屬性。WebDB只是被抓取 程序使用,搜索程序并不使用它。WebDB存儲兩種實體:頁面和鏈接。 頁面表示網(wǎng)絡上的一個網(wǎng)頁,這個網(wǎng)

10、頁的URL作為標示被索引,同時建 立一個對網(wǎng)頁內(nèi)容的MD5哈希簽名。跟網(wǎng)頁相關(guān)的其它內(nèi)容也被存儲, 包括:頁面中的鏈接數(shù)量(外鏈接),頁面抓取信息(在頁面被重復抓 取的情況下),還有表示頁面級別的分數(shù)。鏈接表示從一個網(wǎng)頁的鏈接 到其它網(wǎng)頁的鏈接。因此WebDB可以說是一個網(wǎng)絡圖,節(jié)點是頁面,鏈 接是邊;口 Segment:這是網(wǎng)頁的集合,并且它被索引。Segment的Fetchlist 是抓取程序使用的URL列表,它是從WebDB中生成的。Fetcher的輸出數(shù) 據(jù)是從Fetchlist中抓取的網(wǎng)頁。Fetcher的輸出數(shù)據(jù)先被反向索引,然后 索引后的結(jié)果被存儲在segment中。Segmen

11、t的生命周期是有限制的,當 下一輪抓取開始后它就沒有用了。因此刪除超過指定時間期限的 segment是可以的。而且也可以節(jié)省不少磁盤空間。Segment的命名是日 期加時間,反應出相應的存活周期;The index:索引庫是反向索引所有系統(tǒng)中被抓取的頁面,它并不直接從頁面 反向索引產(chǎn)生,而是合并很多小的segment的索引產(chǎn)生的。Nutch使用Lucene來 建立索引,因此所有Lucene相關(guān)的工具API都用來建立索引庫。需要說明的是 Lucene的segment的概念和Nutch的segment概念是完全不同的。Lucene的segment 是Lucene索引庫的一部分,而Nutch的Seg

12、ment是WebDB中被抓取和索引的一部 分。功能模塊爬蟲平臺分精爬與通爬兩大功能模塊,以滿足不同租戶的數(shù)據(jù)采集需求,多租戶的系統(tǒng)功能邏輯如下iTrfL.ll1MtlMil99MKVMiTrfL.ll1MtlMil99MKVM1、精爬租戶登陸云爬蟲管理平臺,在線編輯爬蟲腳本,云爬蟲系統(tǒng)按計劃編寫的腳 本規(guī)則爬取相應頁面的指定部分(比如具體評論列表),并存入大數(shù)據(jù)平臺、建 立全文索引。2、通爬調(diào)用方調(diào)用由云爬蟲系統(tǒng)提供的通爬接口,云爬蟲系統(tǒng)實時根據(jù)策略(代理 IP等)爬取結(jié)果返回調(diào)用方,并存入由加邛平臺、建立全文索引。功能模塊爬蟲平臺的物理架構(gòu)如下,按層次劃分,主要分為接入層、采集層和持久層,

13、如下圖所示:1、接入層接入層包含Web與接口。Web主機負責負載均衡分配任務,以及展示任務列 表。在Web頁面上,租戶可以根據(jù)需要創(chuàng)建新的爬取任務。對于創(chuàng)建成功的爬取 任務,可以通過Web頁面查看其基本信息。REST API則負責對外提供爬蟲能力接 口。2、采集層采集層包含爬蟲主機與消息隊列主機。爬蟲主機負責接收Web主機分配的任 務,包括抓取網(wǎng)頁并返回內(nèi)容、對抓取的內(nèi)容進行解析和結(jié)構(gòu)化,以及將結(jié)構(gòu)化 的結(jié)果進行持久化。Redis作為消息隊列,負責進行任務的分發(fā)。3、持久層通常網(wǎng)絡爬蟲抓取的數(shù)據(jù)量非常大,而存儲大量的數(shù)據(jù)需要較大的存儲空 間,因此持久層采用了中國移動蘇州研發(fā)中心自研的Hadoo

14、p平臺產(chǎn)品。應用部署架構(gòu)爬蟲平臺的應用部署架構(gòu)如下,主要分為Web服務域和采集服務域。1、Web服務域提供給租戶用來編寫調(diào)試爬蟲腳本,安裝了WebUI、Scheduler等組件。2、采集服務域用來進行數(shù)據(jù)采集和結(jié)果返回,各Spider節(jié)點安裝了Fetcher、Processor、 Result_Worker、Rest API、Selenium、PhantomJS等組件。.詳細建設方案一站式大數(shù)據(jù)采集、存儲、清洗、訓練、導出從數(shù)據(jù)獲取到處理、輸出全站打通的,以一鍵自動發(fā)布到數(shù)據(jù)庫/網(wǎng)站/微信公眾號/郵箱等、導出到本地文件、或通過Webhook / GraphQL獲取數(shù)據(jù)。多租戶管理功能說明云爬蟲

15、和互聯(lián)網(wǎng)數(shù)據(jù)存儲分析平臺PaaS化,實現(xiàn)了多租戶和租戶間的資源隔離能力。平臺截圖云爬蟲統(tǒng)一監(jiān)控管理平臺mm IanwIItFpiB.tlVjiWMIfinfi:KK”1 riiHPH 豐富的數(shù)據(jù)接口擴展了多種數(shù)據(jù)接口的讀寫能力,如關(guān)系型數(shù)據(jù)庫Oracle、非關(guān)系型HBase、HDFS文 件、ES以及流式消息接口 Kafka,以此來支持如精爬、通爬等不同的業(yè)務需求。平臺高可用性云爬蟲平臺的所有爬取節(jié)點和數(shù)據(jù)存儲分析節(jié)點均勻的分布在多臺物理節(jié)點上,單臺機 器的宕機不會引起整個爬取進程的中斷,這種分布式架構(gòu)提升了系統(tǒng)整體的健壯性。抓取高效性單機模式下的網(wǎng)絡爬蟲效率不高,不能滿足大規(guī)模的抓取任務需求,

16、云爬蟲平臺為爬蟲租戶 分配多個爬取節(jié)點,通過讀取共享任務池來共同執(zhí)行抓取任務,每個爬取節(jié)點都可以看成是 一個單機的網(wǎng)絡爬蟲,能大幅度的提高頁面的抓取效率。高可擴展性支持靜態(tài)爬取和動態(tài)渲染的主流網(wǎng)站數(shù)據(jù)爬取,如天貓、京東、大眾點評、豆瓣等,能夠根 據(jù)當前爬蟲任務量動態(tài)地調(diào)節(jié)爬蟲節(jié)點數(shù)量,比起傳統(tǒng)爬蟲方式靈活性更強。同時,租戶在 編寫腳本時自定義程度高,允許租戶根據(jù)不同的爬取需求自定義爬取范圍??梢暬老x界面云爬蟲平臺為爬蟲租戶提供了一個可視化頁面來編輯調(diào)試爬蟲腳本,平臺支持靜態(tài)和動 態(tài)渲染的主流網(wǎng)站爬取,同時能根據(jù)業(yè)務緊急程度動態(tài)調(diào)整各爬蟲任務的優(yōu)先級,并提供了 一個爬取數(shù)據(jù)結(jié)果的頁面導出功能,

17、方便樣例數(shù)據(jù)查看,系統(tǒng)頁面如下圖所示:- Reiiib TatJe Num.uilCduhtidha*工通5EliteFiRpJiVrL 國Ml 口11他)出丫向用司10毋114 gigc: q電犯srB2I4Q4FD cr1電犯劇1云ftLW訂餐:第鼻-云金上解1拿* B撞電魔窟蠱正他松:riEp isn Jqifi nwnjfcHffj.hlm時 27WQc i電賜ri電震(1云甲之上苒1車:# or*0之上藏1儺式集咤及助高力正所日iqi camglav 11101111=6221Hi刪0CJ T申亞ST.cr1中乩刷云修工上百1案;事才蜜上菖1乖聲傳電投叫落泊正桐時BiRp ,m iq

18、ly| tJmipkTn3124的mocj ssar斤/乳慘M W加WHF激可技. 循王百可SM書寫國疔 日闞堆粉i,E r明斯干王7式可SH 料史-hfp Jilm 國別 sirvgh hlml.?hHj=hj,5Ci 64 BOOcs i身弭勒ror1屯史叼比電|也知赭如匕寸* 1耳-電,典離索止唐?(3-aeilzp fiifi Mi camiay Mm曰而京2馱 tDIOTcf i用賜r.飛則附加 (r1電可即上巾妾方稱:芾巧*-腑英曰作苜3謨:嵬明星需正曲枳曲rirepjin 白刖 0HMim IMm忤樂i=18467歐)cf inML61&4674D電網(wǎng)的尋卻也如:第*果讖出:用第

19、1鼻中霞*迪跟http加m Iqrri Bimpkh Frlml71?KiBG2 j5 找BKie吸幽,Cr1電視幽三寶三世1型現(xiàn)苴:不融算r三歸世十里橫詫再&二業(yè)電社劇富事回nflp/iFP 應用 snnj礎 2$40c般現(xiàn)er也馴D kI電叫云修之上解1*1常?壓面N上希1孑*震集更ffl高Ji!法力mip J而 EM Eg目 1 EEEm書321 tsooCf西現(xiàn)E/罐1伯加 始1電懶云*之上網(wǎng);季;第MTHZ-Wii潘坦爬臥高濡正題然lirep htn kqh*l cnmOki Frimr?Mdi=6S13 tXJ,割曲-煙總14金 (F二電靶圜國毛上壬 S5F常*片舌飛!于- 1鋁*

20、史詠園-X:#正西網(wǎng)Si .py5pder AboardE三一E三一E。|三三B=抓取過程抓取是一個循環(huán)的過程,抓取工具從WebDB中生成了一個Fetchlist集合;抽取工具根 據(jù)Fetchlist從網(wǎng)絡上下載網(wǎng)頁內(nèi)容;工具程序根據(jù)抽取工具發(fā)現(xiàn)的新鏈接更新WebDB,然 后再生成新的Fetchlist,周而復始。這個抓取循環(huán)在Nutch中經(jīng)常指:generate/fetch/update 循環(huán)。一般來說同一域名下的URL鏈接會被合成到同一個Fetchlist。這樣做的考慮是:當同 時使用多個工具抓取的時候,不會產(chǎn)生重復抓取的現(xiàn)象。Nutch遵循Robots Exclusion Protocol,可以用robots.txt定義保護私有網(wǎng)頁數(shù)據(jù)不被抓去。上面這個抓取工具的組合是Nutch的最外層的,也可以直接使用更底層的工具,自己組 合這些底層工具的執(zhí)行順序達到同樣的結(jié)果。這是Nutch的優(yōu)勢。具體工作過程如下:創(chuàng)建一個新的 WebDB (admin db -create);把開始抓取的跟URL放入WebDb (inject);從 WebDb 的新 segment 中生成 Fetchlist (generate);根據(jù)Fetchlist列表抓取網(wǎng)頁的內(nèi)容(fetch);-10 -根據(jù)抓取回來的網(wǎng)頁鏈接URL更新WebDB

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論