基于Storm的實(shí)時(shí)信息采集技術(shù)研究.pdf

1、近年來，隨著互聯(lián)網(wǎng)的進(jìn)一步普及，電子商務(wù)一直保持著高速的增長(zhǎng)狀態(tài)，它不僅改變了人們的生活方式，還有力的推動(dòng)經(jīng)濟(jì)的全球化進(jìn)程。隨著人們生活節(jié)奏加快以及對(duì)數(shù)據(jù)的實(shí)時(shí)性要求越來越高，面對(duì)網(wǎng)上海量的產(chǎn)品輿情信息，傳統(tǒng)的網(wǎng)絡(luò)爬蟲在數(shù)據(jù)實(shí)時(shí)獲取方面顯得越來越乏力，同時(shí)也不能在擴(kuò)展性上獲得比較好的效果。
　　針對(duì)如何盡早地獲取電商網(wǎng)站中產(chǎn)品的信息，進(jìn)而實(shí)時(shí)的把握產(chǎn)品輿情，提出了一種基于Storm的實(shí)時(shí)信息采集方法。本文首先對(duì)電商網(wǎng)站的總體特征進(jìn)

2、行詳細(xì)分析，然后重點(diǎn)研究了基于Storm的分布式爬蟲、采集策略、以及網(wǎng)頁變化時(shí)間預(yù)測(cè)方法這三個(gè)方面。
　?。?）對(duì)于基于Storm的分布式網(wǎng)絡(luò)爬蟲，在研究流式計(jì)算框架Storm和相關(guān)技術(shù)的基礎(chǔ)上，充分利用其分布式、實(shí)時(shí)性、無數(shù)據(jù)丟失、可擴(kuò)展性強(qiáng)等優(yōu)勢(shì)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基Storm的分布式網(wǎng)絡(luò)爬蟲，極大的提高了爬蟲的采集效率。
　　（2）在采集策略方面，通過對(duì)電商網(wǎng)站特點(diǎn)分析發(fā)現(xiàn)，為了方便管理和用戶檢索，電商網(wǎng)站通常會(huì)對(duì)商品進(jìn)

3、行分層來存儲(chǔ)。為了能盡可能的搜集到電商網(wǎng)站中所有商品對(duì)應(yīng)的鏈接，我們首先根據(jù)層數(shù)來對(duì)電商網(wǎng)站中的URL進(jìn)行分類，然后通過一種基于URL分類的廣度優(yōu)先搜索策略對(duì)商品的鏈接進(jìn)行搜集；為了使商品信息一直都保持在比較新的狀態(tài)，我們首先根據(jù)URL對(duì)應(yīng)的網(wǎng)頁的更新頻率大小對(duì)URL進(jìn)行分類，然后通過一種基于URL分類預(yù)測(cè)的增量采集策略來維護(hù)商品信息庫。
　?。?）對(duì)于網(wǎng)頁變化預(yù)測(cè)方面，為了提高數(shù)據(jù)獲取的實(shí)時(shí)性，分別對(duì)不同類型的網(wǎng)頁變化規(guī)律進(jìn)行建

4、模，然后通過相應(yīng)的算法預(yù)測(cè)網(wǎng)頁的下一次更新時(shí)間來實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)采集。
　　最后，本文以基于Storm的分布式網(wǎng)絡(luò)爬蟲和網(wǎng)頁變化預(yù)測(cè)算法為理論基礎(chǔ)，提出了一個(gè)基于Storm的分布式實(shí)時(shí)采集系統(tǒng)構(gòu)建方案，簡(jiǎn)稱RICS系統(tǒng)，并給出系統(tǒng)整體架構(gòu)和原型。通過與開源的Nutch分布式爬蟲性能測(cè)試對(duì)比，發(fā)現(xiàn)基于Storm的分布式爬蟲采集效率更高；通過對(duì)基于Storm分布式爬蟲水平擴(kuò)展測(cè)試，發(fā)現(xiàn)其有優(yōu)秀的擴(kuò)展能力；通過對(duì)京東、淘寶、蘇寧電商網(wǎng)站網(wǎng)