Crawljax性能问题之我见

如果将Crawljax作为爬虫来用的话,有严重的性能问题,其问题主要在于其state管理机制,如下图:


由于浏览器缺省情况下是不能保持ajax应用的状态的,因此也就无法利用浏览器的回退机制,从当前state回退到上一个state,这样就必须从最初始的index state开始一层层地往下走,直到目标state。如果是一个较大型的网站,或者是翻页较多的网站,其state的层次非常之深,那么就会出现一种情况,crawljax每次抓取某一层次/某一页的资源时,总是需要从首页开始一页一页/一个层次一个层次地向下翻,所以基本上时间都花在state backtracking上面了,真正获取目标资源的时间只占了非常小的比例,几乎可以忽略不计。即使使用了多线程的方式,你也会看到,程序运行到后来,基本上所有线程大部分时间都是在做同样的事情,也就是在不断地翻页。


Crawljax使用的是深度优先的爬行算法,也许改用广度优先算法会好点,尝试中。。。

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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