转载自： http://www.chinaunix.net/old_jh/23/1257018.html
| |
严格说只能是一个spider系统的框架, 没有细化需求, 目前只是能提取URL, URL排重, 异 步DNS解析, 队列化任务, 支持N机分布式下载.
工作流程:
从中心节点取URL(包括URL对应的任务号, IP和port,也可能需要自己解析)
-> 连接服务器发送请求
-> 等待数据头判断是否需要的数据(目前主要取text类型的数据)
-> 等待完成数据(有length头的直接等待说明长度的数据否则等待比较大的数字然后设置超时)
-> 数据完成或者超时, zlib压缩数据返回给中心服务器,数据可能包括自己解析DNS信息, 压缩后数据长度+压缩后数据, 如果出错就直接返回任务号以及相关信息
-> 中心服务器收到带有任务号的数据, 查看是否包括数据, 如果没有数据直接置任务号对应的状态为错误, 如果有数据提取数据种link 然后存储数据到文档文件.
-> 完成后返回一个新的任务.
Require
zlib http://www.zlib.net/
libiconv http://www.gnu.org/software/libiconv
libchardet 0.0.4+ http://code.google.com/p/libibase/downloads/list
libevbase 0.0.14+ http://code.google.com/p/sbase/downloads/list
libsbase 0.3.1+ http://code.google.com/p/sbase/downloads/list
Compile && install
./configure && make && make install
View running state in Browser
http://127.0.0.1:3721/
Usage
hispiderd is control center hispider is download node
./src/hispiderd -c doc/rc.hispiderd.ini ./src/hispider -c doc/rc.hispider.ini
特征和用法:
基于unix/linux系统的开发
异步DNS解析
URL排重
支持HTTP 压缩编码传输 gzip/deflate
字符集判断自动转换成UTF-8编码
文档压缩存储
支持多下载节点分布式下载
可通过http://127.0.0.1:3721/ 查看下载情况统计,下载任务控制(可停止和恢复任务)
依赖基本通信库libevbase 和 libsbase (安装的时候需要先安装这个两个库)
安装和使用
普通模式 :
./configure && make && make install
调试模式(可查看更多的详细log) :
./configure --enable-debug && make && make install
hispiderd为中心控制节点程序 配置文件为doc/rc.hispiderd.ini 配置文件里有一个basedir 所有的数据存储在这个目录下,hispider.doc为文档存储文件 hispider为下载节点程序 配置文件为doc/rc.hispider.ini 如果两个节点不在一台机器上需要配置server_ip 默认端口为3721
运行
./hispiderd -c ../doc/rc.hispiderd.ini ./hispider -c ../doc/rc.hispider.ini
文档存储格式:
typedef struct _LHEADER
{
int ndate;
int nurl;
int nzdata;
int ndata;
}LHEADER;
顺序存储文档的头,url,文档压缩正文, 采用zlib压缩 ndata为正常长度, nzdata为压缩
后也就是存储的实际长度. nurl为url长度实际存储为url\0 长度为nurl+1
下载地址
hispider http://code.google.com/p/hispider/downloads/list
libchardet 0.0.3+ http://code.google.com/p/libibase/downloads/list
libevbase 0.0.14+ http://code.google.com/p/sbase/downloads/list
libsbase 0.3.1+ http://code.google.com/p/sbase/downloads/list |
|
