- 博客(4)
- 收藏
- 关注
原创 网络爬虫项目开发日志(七): 基于MD5去重树的爬虫设计与优化
--注--本文仅做研究交流用,非工业化标准,各位大神不喜勿喷哈--引言--爬虫系统在面对海量网页数据时,会因为DNS解析以及URL去重而消耗大量的时间,为了更好的改进爬虫的效率,让爬虫在大数据处理时依然拥有良好的性能,我打算使用哈希链表缓存DNS,效率提升2.5~3倍,再将MD5双发以及树结合设计出一种基于MD5的url去重树,理论上使得url去重的空间复杂度相对于普通哈希表缩小60倍
2016-11-22 09:20:19 2132 1
原创 网络爬虫项目开发日志(六): 基于余弦向量法的Web数据并行爬取
--前言--随着项目的不断进展,爬虫项目所需要爬取的数据种类越来越多,爬取的体量也越来越大,而且更新频率也更快,单机爬取机制肯定是不适用了,日前,偶然从学术领域得知了基于余弦向量法的多机并发爬取策略,在主流的工业界的分布式策略之外,也算是一泓清流了,特此分享一二。--概述-- 本文利用并行计算模型计算节点并行工作以提高处理能力的特点,通过余弦向量将抓取任务分配到适合的计算节
2016-11-17 15:43:46 606
原创 网络爬虫项目开发日志(五): 爬虫协议初探
--前言--常在河边走,哪有不湿鞋有的时候,网络爬取就像串门一样,如果守规矩的话,是需要先打个电话给主人预约一下,或是进门的时候先敲门看看主人是否在家,如果主人允许咱进去,咱再进去,进去后,也不要东摸摸西看看,否则主人是会发飙了,搞不好就会逐客了。--概念--网络爬取领域,也是一样的,也有着通用的规范,称之为机器人协议,这是一个面向计算机网络搜索引擎的,以Robots命名的
2016-11-16 14:26:25 1153
转载 网络爬虫项目开发日志(四):接口篇
一、接口安全问题1. 接口暴露用户隐私信息就相当于在光天化日下裸奔,被看光了描述:程序猿在做业务接口的时候往往没有保护用户隐私的意识,把用户的隐私信息暴露在外面,一旦被人利用起来会给用户带来麻烦,同时被发现会降低平台的信任度;防:用户隐私数据加密,加*号,如用户的相关数据的JSON中有用户手机号,用户邮箱,支付账号,邮寄地址等隐私数据;用户请求接口时需要对其
2016-11-09 09:16:52 940
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人