hispider - High speed Spider for crawling web pages - Google Project Hosting

hispider - High speed Spider for crawling web pages - Google Project Hosting

HiSpider(Hitask) is a fast and high performance spider with high speed

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, 支持网站定向下载(需要配置hispiderd.ini whitelist).

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

支持网站定向下载(需要配置hispiderd.ini whitelist )

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)

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

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: