Nutch为什么不能用在分布式爬虫抓取中?
最新资讯发布日期:2021-08-13 10:42:10          

1、Nutch依靠hadoop运行,hadoop本身就会花费大量的时间。

若集群机数量较少,爬行速度反而不如单机爬虫快。

2、Nutch是为搜索引擎设计的爬虫,不精确。

大多数用户需要一个爬虫来爬取准确的数据(提取精确)。在Nutch运行的一整套过程中,三分之二是为搜索引擎设计的,对精选没有多大意义。也就是说,用Nutch做数据抽取,会浪费很多的时间在不必要的计算上。并且,通过二次开发Nutch,使其适用于精选业务,基本上破坏Nutch的框架,使Nutch的脸完全不同,具有修正Nutch的能力,与其自己重写分布式爬虫框架相比。

3、Nutch可以提供提取功能。

但开发Nutch插件的人都知道Nutch插件系统有多糟糕。使用反射机制装入和调用插件,使程序的编写和调试变得非常困难,更别提在上面开发一套复杂的精提取系统了。

4、用Nutch爬虫的编写和调试所需的时间长

通常是单机爬虫的十倍以上。学习Nutch源代码的成本很高,在调试过程中会出现各种问题,除了程序本身。

因此,如果你不想做搜索引擎,尽量不要选择Nutch作为爬虫。爬虫需要使用代理IP,能够有效的防止IP被禁止访问的情况。向大家推荐太阳HTTP代理,独享IP池,适合各种爬虫项目。


在线
咨询

售后客服

永久免费售后服务

太阳大客户经理

15305445551
微信客服
免费
套餐
意见
反馈
置顶