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

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