RSS與爬蟲怎么搜集數(shù)據(jù)

這篇文章給大家分享的是有關(guān)RSS與爬蟲怎么搜集數(shù)據(jù)的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考。一起跟隨小編過來看看吧。

摘要：數(shù)據(jù)的價(jià)值被挖掘出來之前，先要通過收集、存儲(chǔ)、分析計(jì)算等過程，獲得全面、準(zhǔn)確的數(shù)據(jù)是數(shù)據(jù)價(jià)值挖掘的基礎(chǔ)。本期CSDN云計(jì)算俱樂部“大數(shù)據(jù)故事”將從最為常見的數(shù)據(jù)搜集方式說起——RSS和搜索引擎爬蟲。

12月30日，CSDN云計(jì)算俱樂部活動(dòng)在3W咖啡舉行，活動(dòng)主題是“RSS與爬蟲：大數(shù)據(jù)的故事——從如何搜集數(shù)據(jù)開始”。數(shù)據(jù)的價(jià)值被挖掘出來之前，先要通過收集、存儲(chǔ)、分析計(jì)算等過程，獲得全面、準(zhǔn)確的數(shù)據(jù)是數(shù)據(jù)價(jià)值挖掘的基礎(chǔ)。也許當(dāng)下數(shù)據(jù)并不能為企業(yè)或組織帶來實(shí)際價(jià)值，但作為有遠(yuǎn)見的決策者應(yīng)該意識(shí)到，應(yīng)盡早收集、保存重要數(shù)據(jù)，數(shù)據(jù)就是財(cái)富。本期“大數(shù)據(jù)故事”將從最為常見的數(shù)據(jù)搜集方式說起——RSS和搜索引擎爬蟲。

活動(dòng)現(xiàn)場(chǎng)座無虛席

首先，北京萬方軟件股份有限公司圖書館事業(yè)部總經(jīng)理崔克俊分享的主題是“大規(guī)模進(jìn)行RSS聚合和網(wǎng)站下載在科學(xué)研究中的初步應(yīng)用”。崔克俊在圖書館、情報(bào)行業(yè)從業(yè)12年，有豐富的數(shù)據(jù)采集經(jīng)驗(yàn)，他主要分享了信息聚合的一種重要方式RSS及其實(shí)現(xiàn)技術(shù)。

RSS（Really Simple Syndication）是一種消息來源格式規(guī)范，用以聚合經(jīng)常發(fā)布更新數(shù)據(jù)的網(wǎng)站，例如博客文章、新聞、音頻或視頻的網(wǎng)摘。RSS文件包含了全文或是節(jié)錄的文字，再加上發(fā)用者所訂閱之網(wǎng)摘布數(shù)據(jù)和授權(quán)的元數(shù)據(jù)。

對(duì)某一行業(yè)密切相關(guān)的幾百個(gè)甚至幾千個(gè)RSS種子進(jìn)行的聚合，將能快速、全面了解某一行的最新動(dòng)態(tài)；對(duì)某一行業(yè)的的幾十個(gè)甚至幾百個(gè)網(wǎng)站進(jìn)行完整的數(shù)據(jù)下載，并進(jìn)行數(shù)據(jù)挖掘，將能了解某一主題在該行業(yè)發(fā)展的來龍去脈。

北京萬方軟件股份有限公司圖書館事業(yè)部總經(jīng)理 崔克俊

崔克俊以高能物理研究所為例，介紹了RSS在科研院所的應(yīng)用。 高能物理信息監(jiān)測(cè)對(duì)象為全球高能物理同行機(jī)構(gòu)：實(shí)驗(yàn)室、行業(yè)學(xué)會(huì)、國(guó)際協(xié)會(huì)、各國(guó)主管科研政府機(jī)構(gòu)、重點(diǎn)綜合性科學(xué)出版物、高能物理試驗(yàn)項(xiàng)目和實(shí)驗(yàn)設(shè)施。監(jiān)控的信息類型為：新聞、論文、會(huì)議報(bào)告、分析評(píng)論、預(yù)印本、案例研究、多媒體、圖書、招聘信息等。

高能物理文獻(xiàn)信息所采用最先進(jìn)的開源內(nèi)容管理系統(tǒng) Drupal，開源搜索技術(shù) Apache Solr，以及Google員工開發(fā)的能實(shí)時(shí)訂閱新聞的 PubSubHubbub技術(shù)和Amazon的 OpenSearch，建立了一套高能物理信息監(jiān)測(cè)系統(tǒng)，有別于傳統(tǒng)的RSS訂閱和推送，實(shí)現(xiàn)了幾乎實(shí)時(shí)的信息抓取和任意關(guān)鍵詞、任意類別、復(fù)合條件新聞的主動(dòng)推送。

接下來，崔克俊分享了Drupal、Apache Solr、PubSubHubbub和OpenSearch等技術(shù)的使用心得。

接下來，宜搜科技搜索部架構(gòu)師爬蟲組負(fù)責(zé)人葉順平帶來了題為“網(wǎng)頁(yè)搜索爬蟲時(shí)效性系統(tǒng)”的分享，包括時(shí)效性系統(tǒng)的主要目標(biāo)、架構(gòu)，以及各個(gè)子模塊的設(shè)計(jì)方案。

宜搜科技搜索部架構(gòu)師爬蟲組負(fù)責(zé)人 葉順平

網(wǎng)頁(yè)爬蟲的幾個(gè)目標(biāo)是覆蓋率高、死鏈率低和實(shí)效性好，爬蟲實(shí)效性系統(tǒng)的目標(biāo)也差不多，主要是實(shí)現(xiàn)新網(wǎng)頁(yè)快速和全面的收錄。下圖為時(shí)效性系統(tǒng)的整體架構(gòu)：

其中，上面第一個(gè)是RSS/sitemap一個(gè)子系統(tǒng)，接下來是網(wǎng)頁(yè)泛爬的調(diào)度系統(tǒng)Webmain scheduler，然后是一個(gè)時(shí)效性模塊Vertical Scheduler，最左側(cè)是DNS服務(wù)，抓取的時(shí)候，一般是幾十臺(tái)甚至是幾百臺(tái)的抓取集群，如果每一臺(tái)都有防御的話對(duì)DNS的壓力比較大，所以一般有一個(gè)DNS的服務(wù)模塊來做全局的服務(wù)。數(shù)據(jù)抓取完畢后，一般會(huì)做后續(xù)的數(shù)據(jù)處理。

涉及到實(shí)效性的模塊包括以下幾個(gè)：

RSS/sitemap系統(tǒng)：時(shí)效性系統(tǒng)利用RSS/sitemap的過程是挖掘種子，定時(shí)抓取，解析鏈接發(fā)布時(shí)間，將較新的網(wǎng)頁(yè)優(yōu)先抓取并索引。

泛爬系統(tǒng)：泛爬系統(tǒng)設(shè)計(jì)良好的話有助于提高時(shí)效性網(wǎng)頁(yè)的高覆蓋率，但泛爬需要盡可能縮短調(diào)度周期。

種子調(diào)度系統(tǒng)：主要是一個(gè)時(shí)效性的種子庫(kù)，這個(gè)種子庫(kù)里面有一些信息調(diào)度系統(tǒng)會(huì)不斷地掃描這個(gè)數(shù)據(jù)庫(kù)，然后發(fā)給抓取集群，這個(gè)集群抓取完會(huì)進(jìn)行一些抽取鏈接的處理，接下來把這些按類別發(fā)出去，各個(gè)垂直頻道會(huì)獲取到時(shí)效性的數(shù)據(jù)。

種子的挖掘：涉及到頁(yè)面解析或其它的一些挖掘手段，可以通過站點(diǎn)地圖，還有導(dǎo)航條來構(gòu)建，還要基于頁(yè)面結(jié)構(gòu)特征和頁(yè)面變更規(guī)律。

種子的更新機(jī)制：記錄每個(gè)種子的抓取歷史，follow的鏈接信息，定期根據(jù)種子的外鏈更新特征，重新計(jì)算種子的更新周期。

抓取系統(tǒng)與JavaScript解析：使用瀏覽器進(jìn)行抓取，搭建一個(gè)基于瀏覽器抓取的抓取集群。或采用開源項(xiàng)目，如Qtwebkit。

感謝各位的閱讀！關(guān)于RSS與爬蟲怎么搜集數(shù)據(jù)就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，讓大家可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到吧！