网络爬虫Nutch和Heritrix简介

网页下载过程中的网络延迟成为整个系统性能的瓶颈。为提高效率，网络蜘蛛设计成队列缓冲、多线程并行结构。网络蜘蛛的三大模块：

1. HTTP下载模块。利用HTTP协议下载，获取并存储网页内容。

2. 链接分析模块。提取网页内的超链接，获取后续页面入口。

3. 下载控制模块。控制网页访问次序、更新策略、访问队列高度等。

入口页面往往是网站的主页功sitemap页面。

Spider对网站的访问尝试一般控制在3~5层。

网络爬虫的优化策略和原则：

1. 避免重复下载。

2. 增加多个工作队列，提高并了能力。工作队列有：等待队列、处理队列、成功队列、失败队列。

3. 利用网页Proxy缓冲，检查是否需要从远程下载。

4. 同一站点的URL尽量映射到同一个线程处理，避免同时访问给网站带来负担。

与Nutch相比，Heritrix和Larbin没有与检索密切结合，用户需要自己负责文件格式的转换和索引工作。

下载后的数据存储主要以目录文件形式存放。具体见容包括：

1. Web数据库。实际上是URL数据库，只为网络爬虫服务，不参与后面的检索与加载工作。

2. 数据段(segment)。它包括三种类型：待下载列表（fetchlist）、已获得的网页（fetcher output）、数据段索引（index）--采用Lucene格式索引当前已下载的索引。

3. 数据索引。它是 数据段索引的合并和汇集。

搜索引擎的3种分类：全网、垂直和企业搜索引擎。

网络爬虫的2种工作模式：互联网全网抓取和局域网抓取。

Nutch系统已经扩展了一套底层使用分布式结构的大型搜索引擎。

真实的互联网全网搜索引擎需要一个很大入口URL列表，DmozParser工具提供了对开放式互联网DMOZ目录库的支持。另一种方法是查找国内比较大的互联网站点，比如可以从互联网网站大全或网站排行榜里分析URL获得，在实际测试中采用了vipurls.txt文件，里面存放了100个比较大的国内互联网网站。

总体来说Heritrix网络蜘蛛的功能更为强大，Nutch更好地支持搜索引擎（与Lucene紧密结合）。两者特点对比如下：

1. Nutch是一个搜索引擎框架，而Heritrix专注于网络信息的下载。

2. Nutch只获取并保存可索引的内容，并可对下载后有内容过滤修改，而Heritrix则可以适用各种类型信息，严格保持网页原貌。

3. Nutch的更新策略是直接替换原来的旧网页，为索引作好准备；而Heritrix则保留历史内容，下载新内容。

4. 都以任务形式管理，Nutch只支持命令行，Heritrix还支持Web控制界面。

5. Nutch下载控制参数少，Heritrix更加灵活。

Heritrix中有几个关键模块这里介绍一下：

• 下载控制器CrawlController。总控部分，以主线程形式运行。通过调试，最终把下载地址管理器Frontier中地址列表传递给线程池中的ToeThreads，完成下载任务。

• 边界控制器Frontier。用来确定下一个将抓取的网页。实现对网站访问的均衡处理，避免多线程同时访问同一个网站造成网站压力。Frontier内至少包含最新发现的URL、正在处理的URL、已经下载的URL。

• 服务器缓存Servercache。实现搜索引擎中的DNS缓存。Servercache中存放服务器的持久信息，包括IP地址、历史下载记录、机器人策略等。

开源缓存系统：

1. OSCache是很多Java项目中广泛采用的高性能J2EE缓存框架。OsCache适用于任何Java应用程序中的缓存方案。

2. JCS(Java Caching System)是一个分布式缓存系统，是基于服务器的Java应用程序。

3. EHCache是一个纯Java实现的缓存系统，开发者调用EHCache的方式为嵌入用户系统的进程完成缓存。

4. JBossCache是针对JBoss服务器系统的缓存程序。JBossCache主要应用于事务处理缓存，能够缓存企业级应用数据。