基于Hadoop的分布式網絡爬蟲系統(tǒng)的設計與實現.pdf

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

2、關于網絡爬蟲的實際需求，明確網絡爬蟲系統(tǒng)實現的總體目標、功能以及性能需求，設計出基于Hadoop的分布式網絡爬蟲系統(tǒng)架構。根據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計算框架的算法設計以及實現，在抓取任務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平臺實時計算相關指標結果。最后搭建Hadoop分布式平臺和Storm實時處理平臺對本文所實現的分布式網絡爬蟲

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