基于Storm的實時信息采集技術(shù)研究.pdf_第1頁
已閱讀1頁,還剩70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、近年來,隨著互聯(lián)網(wǎng)的進一步普及,電子商務一直保持著高速的增長狀態(tài),它不僅改變了人們的生活方式,還有力的推動經(jīng)濟的全球化進程。隨著人們生活節(jié)奏加快以及對數(shù)據(jù)的實時性要求越來越高,面對網(wǎng)上海量的產(chǎn)品輿情信息,傳統(tǒng)的網(wǎng)絡爬蟲在數(shù)據(jù)實時獲取方面顯得越來越乏力,同時也不能在擴展性上獲得比較好的效果。
  針對如何盡早地獲取電商網(wǎng)站中產(chǎn)品的信息,進而實時的把握產(chǎn)品輿情,提出了一種基于Storm的實時信息采集方法。本文首先對電商網(wǎng)站的總體特征進

2、行詳細分析,然后重點研究了基于Storm的分布式爬蟲、采集策略、以及網(wǎng)頁變化時間預測方法這三個方面。
 ?。?)對于基于Storm的分布式網(wǎng)絡爬蟲,在研究流式計算框架Storm和相關(guān)技術(shù)的基礎上,充分利用其分布式、實時性、無數(shù)據(jù)丟失、可擴展性強等優(yōu)勢,設計并實現(xiàn)了一個基Storm的分布式網(wǎng)絡爬蟲,極大的提高了爬蟲的采集效率。
 ?。?)在采集策略方面,通過對電商網(wǎng)站特點分析發(fā)現(xiàn),為了方便管理和用戶檢索,電商網(wǎng)站通常會對商品進

3、行分層來存儲。為了能盡可能的搜集到電商網(wǎng)站中所有商品對應的鏈接,我們首先根據(jù)層數(shù)來對電商網(wǎng)站中的URL進行分類,然后通過一種基于URL分類的廣度優(yōu)先搜索策略對商品的鏈接進行搜集;為了使商品信息一直都保持在比較新的狀態(tài),我們首先根據(jù)URL對應的網(wǎng)頁的更新頻率大小對URL進行分類,然后通過一種基于URL分類預測的增量采集策略來維護商品信息庫。
 ?。?)對于網(wǎng)頁變化預測方面,為了提高數(shù)據(jù)獲取的實時性,分別對不同類型的網(wǎng)頁變化規(guī)律進行建

4、模,然后通過相應的算法預測網(wǎng)頁的下一次更新時間來實現(xiàn)數(shù)據(jù)的實時采集。
  最后,本文以基于Storm的分布式網(wǎng)絡爬蟲和網(wǎng)頁變化預測算法為理論基礎,提出了一個基于Storm的分布式實時采集系統(tǒng)構(gòu)建方案,簡稱RICS系統(tǒng),并給出系統(tǒng)整體架構(gòu)和原型。通過與開源的Nutch分布式爬蟲性能測試對比,發(fā)現(xiàn)基于Storm的分布式爬蟲采集效率更高;通過對基于Storm分布式爬蟲水平擴展測試,發(fā)現(xiàn)其有優(yōu)秀的擴展能力;通過對京東、淘寶、蘇寧電商網(wǎng)站網(wǎng)

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. 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。

評論

0/150

提交評論