基于Hadoop的分布式網(wǎng)絡(luò)爬蟲系統(tǒng)的設(shè)計與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩72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(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)規(guī)模的不斷擴大,云計算、大數(shù)據(jù)的快速發(fā)展,互聯(lián)網(wǎng)資源的不斷增多,搜索引擎在信息檢索方面起著關(guān)鍵性的作用,在日常生活中人們已經(jīng)離不開搜索引擎,搜索引擎能夠為人們快速準確地提供所需要的信息。網(wǎng)絡(luò)爬蟲作為搜索引擎的關(guān)鍵組成部分,直接影響著搜索引擎的性能。本文基于Hadoop平臺設(shè)計并實現(xiàn)了一個分布式網(wǎng)絡(luò)爬蟲系統(tǒng)。
  本文基于 Hadoop分布式平臺、Hbase列式數(shù)據(jù)庫、Storm實時處理平臺以及網(wǎng)絡(luò)爬蟲的基本原理,結(jié)合用戶

2、關(guān)于網(wǎng)絡(luò)爬蟲的實際需求,明確網(wǎng)絡(luò)爬蟲系統(tǒng)實現(xiàn)的總體目標、功能以及性能需求,設(shè)計出基于Hadoop的分布式網(wǎng)絡(luò)爬蟲系統(tǒng)架構(gòu)。根據(jù)各個模塊的功能以及MapReduce計算框架的特點對每個模塊進行基于MapReduce計算框架的算法設(shè)計以及實現(xiàn),在抓取任務(wù)模塊和解析頁面模塊將抓取狀態(tài)、解析狀態(tài)實時寫入到Kafka消息隊列,基于Storm平臺實時計算相關(guān)指標結(jié)果。最后搭建Hadoop分布式平臺和Storm實時處理平臺對本文所實現(xiàn)的分布式網(wǎng)絡(luò)爬蟲

3、系統(tǒng)進行測試。
  本文所實現(xiàn)的網(wǎng)絡(luò)爬蟲系統(tǒng)具有以下特點:將網(wǎng)絡(luò)爬蟲的抓取任務(wù)通過MapReduce分布式計算框架實現(xiàn),從而將爬蟲任務(wù)并行化;將抓取到的數(shù)據(jù)存儲到Hbase分布式數(shù)據(jù)庫中,從而將數(shù)據(jù)均勻分布到各個節(jié)點上,并提高了數(shù)據(jù)讀寫速度;引入Storm實時計算平臺,實時統(tǒng)計網(wǎng)絡(luò)爬蟲運行過程中產(chǎn)生的相關(guān)指標。本文網(wǎng)絡(luò)爬蟲系統(tǒng)將抓取到的頁面內(nèi)容存儲到Hbase數(shù)據(jù)庫中,解決了以往分布式網(wǎng)絡(luò)爬蟲將頁面內(nèi)容存儲到 HDFS文件系統(tǒng)中讀

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(yù)覽,若沒有圖紙預(yù)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. 眾賞文庫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。

最新文檔

評論

0/150

提交評論