分布式爬虫

分布式爬虫，每天处理上百万条数据，主机器主要是任务的建立，与下载队列的生成，
从机器从主机器获取下载任务，进行下载任务与网页处理，主从机器之间的交互用 thrift
框架，kafka 充当爬虫爬取的队列。利用 kafka storm 框架实现爬取数据与数据解析分离，
使爬虫更有效率，同时也更方便的维护爬虫。根据网站的特征对网站进行分析，制定网
站的更新策略。新闻是根据算法进行页面内容抽取，抽取正确率 90%以上，贴吧论坛根
据 搭 建 解 析 框 架 ， 利 用 jsoup 与 xpath ， 是 用 于 大 部 分 网 站 ， 爬 虫 后 台 用 的 是

SpringMVC+mybatis 搭建，针对爬虫进行监控。方便操作员对爬虫的管理