大数据方法论之Nutch基于Map-Reduce的爬取方法

随着人工智能的兴起，大数据又火了起来，大数据的方法论的本质是众人拾柴火焰高，从算法角度来讲，就是分治法。

例如普通的合并排序。

就是分治法的体现

分三个部分，分，Devide，将总的任务分成多个分任务。

第二，处理，Concur，每个人将分给自己的任务做完，输出结果

第三，合，Merge，每个人将任务结果汇总，得到终结果。

对于大量数据来讲，数据的处理从单线程模型

到多线程模型

终到多进程模型，也即Map-Reduce的基本思路

首先是分，Split，然后是处理，Map，然后是合并，Reduce，终输出结果。

对于多进程来讲，需要一个控制器和调度器来控制多个进程的合作，所以有了Map-Reduce的两个版本的框架，以及后来有了Spark。

网页的爬取系统Nutch就是一个使用了Map-Reduce的典型框架。

对于如图的一个网页体系，对它进行广度优先搜索

然而这个算法本身是并行不起来的。因为广度优先搜索的时候，需要对节点着色，保证同一个节点只能抓取一次。

为了保证能够并行起来，因而大数据算法中的一个常见的做法是，先分开做，大家做重了没关系，因为数据量大，不需要那么准确，多一篇少一篇无所谓，而且我们可以后期的去重。

所以整个Nutch的爬取过程分成了多个Map-Reduce进行。

首先人手工指定一个初始的网页url列表，往往包括牛的网站，例如门户网站，也会包括行业网站，例如财经领域，则会有财经垂直领域的网站。

这些网页的url列表形成一个初始的爬取库crawdb，这里面包含已经爬取过的，和未曾爬取过的，都放在这里面，当然一开始都是未爬取的。

Generator从crawdb中抽取出那些未爬取的里面高优先级的，比如质量更好的url等，进入库craw_generete

Fetcher从craw_generete中通过map-reduce分发这些未爬取的任务开始爬取，爬取的结果放在craw_fetch里面，例如是否成功，爬取的真正的数据，也即网页的内容放在content里面。

Parse从content里面读取网页的内容，通过解析，一部分是网页的正文文字，放在parse_text里面，一部分是网页的链接，放在craw_parse里面，这里面的链接是可以再次爬取的。

updatedb也是一个map-reduce，通过合并原始的crawdb，此次爬取的状态craw_fetch，以及爬取下来的网页中的外链craw_parse，合并成新的爬取库crawdb_new，在这里面，已经爬取成功的和多次标记失败的，就不再爬取了，而新生成的外链，如果没有被爬取过，则入库，如果已经爬取过，就是上面说的重复了，就去重。

整个爬取的过程好复杂，包含这么多过程，而且每个过程都是一个map-reduce，每个都会从hdfs上读取，然后写入hdfs，性能很慢。于是后来有了Spark，可以将多个map-reduce穿起来，并且中间的处理过程全在内存里面，就快多了。

另外这么多map-reduce之间的关系也需要管理，可以防止一个图里面表示，这就是DAG（Directed Acyclical Graphs）

Hadoop的Map-reduce本身没有DAG，每个map-reduce是独立的，需要手动维护先后执行关系，后来有了Oozie，可以将多个map-reduce任务管理起来。

Spark的Map-reduce就有DAG。