Node.js 爬虫，自动化抓取文章标题和正文
浏览数：48 /
时间：2015年06月09日
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
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
