基于Storm的實時信息采集技術(shù)研究.pdf

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)