分布式网络爬虫关键技术分析与实现系列

一、背景：

近十几年以来，互联网技术迅速发展，使互联网逐渐成为人们不可或缺的巨大信息源。准确而快速的从网上找到信息己成为人们迫切的需求。搜索引擎的出现和发展在一定程度上满足人们需要的同时，也面临着更多的挑战。网络搜索技术主要包括信息采集和信息处理两方面。网络爬虫属于信息采集部分，它是一个基于web程序,它从一个初始的网页集出发，遍历Internet,自动采集网络信息。作为搜索引擎的一个关键组成部分,网络爬虫的效率将直接影响到搜索引擎性能。随着WWW信息的爆炸性增长，集中式网络爬虫信息采集的速度和规模已难以满足实际应用的需要,分布式网络爬虫较集中式网络爬虫往往具有明显的速度与规模优势，是今后大规模网络爬虫发展的一个重要方向。

二、研究所属范围：

分布式网络爬虫包含多个爬虫，每个爬虫需要完成的任务和单个的爬行器类似，它们从互联网上下载网页，并把网页保存在本地的磁盘，从中抽取URL并沿着这些URL的指向继续爬行。由于并行爬行器需要分割下载任务，可能爬虫会将自己抽取的URL发送给其他爬虫。这些爬虫可能分布在同一个局域网之中，或者分散在不同的地理位置。

根据爬虫的分散程度不同，可以把分布式爬行器分成以下两大类：

1、基于局域网分布式网络爬虫：这种分布式爬行器的所有爬虫在同一个局域网里运行，通过高速的网络连接相互通信。这些爬虫通过同一个网络去访问外部互联网，下载网页，所有的网络负载都集中在他们所在的那个局域网的出口上。由于局域网的带宽较高，爬虫之间的通信的效率能够得到保证；但是网络出口的总带宽上限是固定的，爬虫的数量会受到局域网出口带宽的限制。

2、基于广域网分布式网络爬虫：当并行爬行器的爬虫分别运行在不同地理位置（或网络位置），我们称这种并行爬行器为分布式爬行器。例如，分布式爬行器的爬虫可能位于中国，日本，和美国，分别负责下载这三地的网页；或者位于CHINANET，CERNET，CEINET，分别负责下载这三个网络的中的网页。分布式爬行器的优势在于可以子在一定程度上分散网络流量，减小网络出口的负载。如果爬虫分布在不同的地理位置（或网络位置），需要间隔多长时间进行一次相互通信就成为了一个值得考虑的问题。爬虫之间的通讯带宽可能是有限的，通常需要通过互联网进行通信。 

在实际应用中，基于局域网分布式网络爬虫应用的更广一些，而基于广域网的爬虫由于实现复杂，设计和实现成本过高，一般只有实力雄厚和采集任务较重的大公司才会使用这种爬虫。这里研究的是前者。

三、计划写的文章：

1、网络爬虫相关知识介绍

2、分布式网络爬虫体系结构设计

3、关键技术之单机爬虫的实现（1）---从最简单的爬虫说起

4、关键技术之单机爬虫的实现（2）---礼貌是最基本的品质

5、关键技术之单机爬虫的实现（3）---爬虫搜索策略

6、关键技术之单机爬虫的实现（4）---漫游空间的划分

7、关键技术之单机爬虫的实现（5）---主要技术问题

8、关键技术之单机爬虫的实现（6）---爬虫的基本流程

9、关键技术之单机爬虫的实现（7）---必要的参数分析

10、关键技术之单机爬虫的实现（8）---多线程的引入

11、关键技术之单机爬虫的实现（9）---下载网页的三种方法对比

12、关键技术之单机爬虫的实现（10）---如何分析网页中的链接

13、关键技术之单机爬虫的实现（11）---去重的几种思路

14、关键技术之单机爬虫的实现（12）---域名解析模块

15、关键技术之单机爬虫的实现（13）---单机爬虫也需要调度任务

16、关键技术之单机爬虫的实现（14）---你的爬虫能持久爬行嘛

17、关键技术之单机爬虫的实现（15）---网页更新

18、关键技术之任务调度设计与验证---中庸算法的引入

19、关键技术之URL去重设计与验证---改进的Bloom Filter算法

20、关键技术之优雅爬行设计与验证---爬行礼貌必须的

21、关键技术之节点通信设计与验证---消息机制应用

22、原型系统分析与实现---自己实现的一个原型仅供学习与研究

四、简单介绍：

分布式网络爬虫做为搜索引擎前端，想做好它涉及的东西很多，实现它也是十分有挑战性。加上水平有限，希望大家能提出好的建议与帮助。谢谢大家了。     

      原文地址：http://www.cnblogs.com/yueyue_jwfm/

转载于:https://www.cnblogs.com/yueyue_jwfm/archive/2010/03/26/1696785.html