具体目标:
爬取所有中文网站, dump 首页,分析网站再获取域名继续爬,扫描网站服务器端口。
感觉至少有两点需求:
1.worker 不同 IDC ,即爬虫分布在不同的机房。
2.回传数据量可能会比较大。
数据存储检索使用 mongodb+Elasticsearch 已经确定。
任务调度系统 gearman , celery+rabbitwq ,甚至 kafka 。。。研究了一下别人写的分布式 crawler ,使用 rpc 协议自己写一个简单的调度系统似乎也不难。
在进行折腾之前请 V2EX 上面的大大们给点任务调度方面建议,使用哪种工具最合适,多谢啦==3
这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.