手写分布式爬虫框架

本文介绍了使用Java开发分布式爬虫框架的过程,包括从单线程到分布式、集群的实现,涉及任务队列、线程池和消息中间件的使用,旨在提高爬虫效率和资源利用率。提供代码示例和改进点,适合学习和借鉴。
摘要由CSDN通过智能技术生成

分布式爬虫框架 Demo

记录用Java开发一个简单的分布式爬虫框架,从最开始的十几行代码到开发一个支持集群、分布式的爬虫框架。

代码地址:单机版本 分布式版本

起因

在训练智能问答机器人的模型时,缺少模型数据,决定使用爬虫进行。
当前每天的生活如下:

  • 写一个爬虫抓数据
  • 训练模型
  • 查看训练结果

弊端

  • 单线程爬虫太慢了,没法充分利用计算资源,亟需性能提升。
  • 目标网站经常变更,势必经常添加、修改爬取网站。需要一个框架(其实已有很多很好地框架,这里仅为了学习)。
  • 手动触发爬虫和训练太蠢了,希望自动触发,夜里完成

由于“懒”,第一步第二步占用了90%的时间,决定将其自动化。

目标

  • 每天凌晨2点定时增量抓取数据并保存
  • 每天凌晨3点训练模型
  • 每天白天到实验室增加爬虫数据源,看结果,调整模型

用最简单的代码实现一个爬虫

用十几行代码爬取全站新闻

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值