此分布式爬虫系统基于RabbitMQ,通过 RabbitMQ 的 Topic 类型交换器,能够同时爬取相同类型的网站或不同类型的网站,实现主题爬虫。并通过 RabbitMQ 将分布式爬虫的运行日志汇集到一台机器上。利用具有更低误判率的多维布隆过滤器进行 URL 的去重。并在内存消耗和去重效率上对集合去重方式、一维布隆过滤器和二维布隆过滤器分别经测试,验证其优劣势和合理的应用场景。
评论