Node.js 爬虫,自动化抓取文章标题和正文
2014-11-07 16:44
316 查看
持续进行中。。。
目标:
动态User-Agent模拟浏览器 √
支持Proxy设置,避免被服务器端拒绝 √
支持多核模式,发挥多核CPU性能 √
支持核内并发模式 √
自动解码非英文站点,避免乱码出现 √
自动队列管理,持续化PUSH √
自动抓取文章标题和正文 √
性能优化
测试用例,自动化测试
我的测试环境:
9 台安装 ElasticSearch 1.3.2 的 centos,48G内存,8核
3 台 Node.js v0.11.14 的 centos,16G内存,8核,用作爬虫
3 台 NSQD 服务器, 用作爬虫解耦后的数据订阅和发送,与爬虫共用, 其中 1 台部署 NSQ Lookupd
国内主要门户的站点管理,使用Kue,链接,正文之间的传递采用NSQ
结果:
日均数据 50W 左右
开源地址:https://github.com/Tjatse/spider2
目标:
动态User-Agent模拟浏览器 √
支持Proxy设置,避免被服务器端拒绝 √
支持多核模式,发挥多核CPU性能 √
支持核内并发模式 √
自动解码非英文站点,避免乱码出现 √
自动队列管理,持续化PUSH √
自动抓取文章标题和正文 √
性能优化
测试用例,自动化测试
我的测试环境:
9 台安装 ElasticSearch 1.3.2 的 centos,48G内存,8核
3 台 Node.js v0.11.14 的 centos,16G内存,8核,用作爬虫
3 台 NSQD 服务器, 用作爬虫解耦后的数据订阅和发送,与爬虫共用, 其中 1 台部署 NSQ Lookupd
国内主要门户的站点管理,使用Kue,链接,正文之间的传递采用NSQ
结果:
日均数据 50W 左右
开源地址:https://github.com/Tjatse/spider2
相关文章推荐
- node.js新闻爬虫、新闻正文抓取,项目效果图
- [js高手之路]Node.js实现简易的爬虫-抓取博客所有文章列表信息
- 基于Node.js的强大爬虫 能直接发布抓取的文章哦
- [js高手之路]Node.js实现简易的爬虫-抓取博客所有文章列表信息
- 基于Node.js的强大爬虫 能直接发布抓取的文章哦
- 爬虫: 基于Node.js的强大爬虫,能直接发布抓取的文章哦
- 基于Node.js的强大爬虫 能直接发布抓取的文章哦
- 基于Node.js的强大爬虫 能直接发布抓取的文章哦
- node.js抓取数据(fake小爬虫)
- Node.js编写爬虫的基本思路及抓取百度图片的实例分享
- [js高手之路]Node.js+jade抓取博客所有文章生成静态html文件
- Node.js学习之网络爬虫(使用cheerio抓取网页数据)
- Node.js爬虫抓取数据 -- HTML 实体编码处理办法
- Node.js编写爬虫的基本思路及抓取百度图片的实例分享
- node.js 小爬虫抓取网页数据
- node.js 小爬虫抓取网页数据(2)
- 爬虫入门Demo(一)---抓取博客的文章标题和链接
- Node.js 读取博客首页并获得文章标题
- 【Node.js】爬虫--抓取新闻标题、图片、文字描述,支持QQ、iFeng
- Node.js爬虫数据抓取 -- 问题总结