- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在开发网络爬虫/蜘蛛,我需要某种方法来有效地大量存储字符串,作为(1)已存储的站点和(2)爬虫队列的引用。这些存储数据结构必须能够容纳超过数百万个字符串值。我将分别从我研究过的研究和所做的事情开始。
我尝试的第一个方法是从此线程引用的
在这个帖子中,OP 讨论了优化 HashSet,并得到了很多好的反馈和警告。 HashSet 使用起来非常昂贵,并且导致我的程序很快崩溃。在回复中,建议了像 Trove 这样的替代方案,但该项目已停止,我相信还有更好的替代方案。
我尝试的第二种方法是使用 MongoDB 创建队列。我显式地为队列创建了一个集合,其中遵循 FIFO,因为 Mongo 使用锁,因此它应该是线程安全的。据我所知,它的效果非常好。我的爬虫运行得很好,平均使用很少的内存(12~42MB)。然而,这种方法很快被证明非常糟糕,因为 MongoDB 的搜索速度为 o(n)。创建一个迭代器来检查每个要缓存的单个网站的两个集合(网站集合和队列集合)被证明是非常有害的。
已关注此主题
Strategies for fast searches of billions of small documents in MongoDB
它确实稍微提高了搜索质量,但只是轻微的偏移。下面是我的网络爬虫的简单伪代码。
while(true){
parse();
}
public void parse(){
String next = // next url in queue to be parsed
Document document = // get HTML dom from next url
// store document inside of site storage (mongo collection)
// grab links from document
for( all links found ) {
if(next doesn't exist in website collection and next isn't already in queue){
add to queue
}
}
}
检查“网站集合中不存在下一个并且下一个尚未在队列中”,我必须创建一个迭代器或使用 mongo.collection.find().limit(1) (这也是一个迭代器,就在幕后)检查下一个元素是否存在于当前存储的网站或队列中。正如您所看到的,随着这两个集合的增长(目前两个集合都超过 100,000 个条目),处理器不断检查这两个集合可能会非常昂贵且缓慢。
这让我回到了第一个方法,该方法在内存中可能保存多达数十亿个 URL,以便更快地搜索两个存储中的重复项。我读到的大部分内容都非常有用,但已经过时了,我想知道你们认为最好的方法是什么?
最佳答案
holding potentially up to billions URLs in memory
这肯定是你不需要也不应该做的事情。
I have to create an iterator
这肯定是您绝对不能做的事情(除非迭代器仅在数据的一小部分上运行)。
<小时/>next doesn't exist in website collection and next isn't already in queue
考虑数据表示。对于搜索,列表太慢,因此您需要索引搜索。类似于 HashMap
或 TreeMap
,但在磁盘上。
我对 MongoDB 几乎一无所知,但每个名副其实的数据库都可以做到这一点。我想,它已经适用于您的集合,只是队列是一个问题。队列更加复杂,因为您需要快速搜索和队列性。
通过将每个新元素放入队列和集合中,可以轻松消除此问题,因此您只需检查集合中是否有重复项(IIUYC 可以你做得很快)。显然,您需要一个标记来区分尚未获取的元素。
<小时/>下一个优化将在内存中保留一些最近访问的元素的缓存,以便消除一些重复的数据库查询。我敢打赌,布隆过滤器也能有所帮助。
<小时/>您还可以使用磁盘上真实的 map
:https://github.com/OpenHFT/Chronicle-Map
关于Java:优化的大规模值(value)存储替代方案,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58355896/
我正在编写一个具有以下签名的 Java 方法。 void Logger(Method method, Object[] args); 如果一个方法(例如 ABC() )调用此方法 Logger,它应该
我是 Java 新手。 我的问题是我的 Java 程序找不到我试图用作的图像文件一个 JButton。 (目前这段代码什么也没做,因为我只是得到了想要的外观第一的)。这是我的主课 代码: packag
好的,今天我在接受采访,我已经编写 Java 代码多年了。采访中说“Java 垃圾收集是一个棘手的问题,我有几个 friend 一直在努力弄清楚。你在这方面做得怎么样?”。她是想骗我吗?还是我的一生都
我的 friend 给了我一个谜语让我解开。它是这样的: There are 100 people. Each one of them, in his turn, does the following
如果我将使用 Java 5 代码的应用程序编译成字节码,生成的 .class 文件是否能够在 Java 1.4 下运行? 如果后者可以工作并且我正在尝试在我的 Java 1.4 应用程序中使用 Jav
有关于why Java doesn't support unsigned types的问题以及一些关于处理无符号类型的问题。我做了一些搜索,似乎 Scala 也不支持无符号数据类型。限制是Java和S
我只是想知道在一个 java 版本中生成的字节码是否可以在其他 java 版本上运行 最佳答案 通常,字节码无需修改即可在 较新 版本的 Java 上运行。它不会在旧版本上运行,除非您使用特殊参数 (
我有一个关于在命令提示符下执行 java 程序的基本问题。 在某些机器上我们需要指定 -cp 。 (类路径)同时执行java程序 (test为java文件名与.class文件存在于同一目录下) jav
我已经阅读 StackOverflow 有一段时间了,现在我才鼓起勇气提出问题。我今年 20 岁,目前在我的家乡(罗马尼亚克卢日-纳波卡)就读 IT 大学。足以介绍:D。 基本上,我有一家提供簿记应用
我有 public JSONObject parseXML(String xml) { JSONObject jsonObject = XML.toJSONObject(xml); r
我已经在 Java 中实现了带有动态类型的简单解释语言。不幸的是我遇到了以下问题。测试时如下代码: def main() { def ks = Map[[1, 2]].keySet()
一直提示输入 1 到 10 的数字 - 结果应将 st、rd、th 和 nd 添加到数字中。编写一个程序,提示用户输入 1 到 10 之间的任意整数,然后以序数形式显示该整数并附加后缀。 public
我有这个 DownloadFile.java 并按预期下载该文件: import java.io.*; import java.net.URL; public class DownloadFile {
我想在 GUI 上添加延迟。我放置了 2 个 for 循环,然后重新绘制了一个标签,但这 2 个 for 循环一个接一个地执行,并且标签被重新绘制到最后一个。 我能做什么? for(int i=0;
我正在对对象 Student 的列表项进行一些测试,但是我更喜欢在 java 类对象中创建硬编码列表,然后从那里提取数据,而不是连接到数据库并在结果集中选择记录。然而,自从我这样做以来已经很长时间了,
我知道对象创建分为三个部分: 声明 实例化 初始化 classA{} classB extends classA{} classA obj = new classB(1,1); 实例化 它必须使用
我有兴趣使用 GPRS 构建车辆跟踪系统。但是,我有一些问题要问以前做过此操作的人: GPRS 是最好的技术吗?人们意识到任何问题吗? 我计划使用 Java/Java EE - 有更好的技术吗? 如果
我可以通过递归方法反转数组,例如:数组={1,2,3,4,5} 数组结果={5,4,3,2,1}但我的结果是相同的数组,我不知道为什么,请帮助我。 public class Recursion { p
有这样的标准方式吗? 包括 Java源代码-测试代码- Ant 或 Maven联合单元持续集成(可能是巡航控制)ClearCase 版本控制工具部署到应用服务器 最后我希望有一个自动构建和集成环境。
我什至不知道这是否可能,我非常怀疑它是否可能,但如果可以,您能告诉我怎么做吗?我只是想知道如何从打印机打印一些文本。 有什么想法吗? 最佳答案 这里有更简单的事情。 import javax.swin
我是一名优秀的程序员,十分优秀!