[玩具]站群程序DEMO版本开发小计
原创： GoGo闯 [流量贩子](javascript:void(0);) 2016-11-04
不折腾的人生，是不完美的人
用过两个站群程序，都是从外面买的，不是自己的，多多少少在某些地方会有限制，当然想实现某些个性化的需求也是没办法搞的，这对于崇尚自由与开源的本渣渣是接受不了的，本着不折腾会死的原则，不如自己写一套，能不能赚钱另说，先折腾起来是关键。
结构
一套站群程序有哪些关键节点？
-
数据抓取（快速、海量）
-
抓取内容类型
-
抓取内容来源
-
抓取数据入库
-
数据存储、查询（性能）
-
数据库的选择
-
不用类型的内容存在什么地方
-
数据关联逻辑、数据读写性能
-
WEB框架（轻量、可个性化定制）
-
模板引擎
demo版本的解决方案
web框架、模板引擎
站群下的各网站，仅用于信息的展示，无需其他乱七八糟的功能，所以框架选轻的就可以，能展示信息就够用。且本渣渣写python比写php溜一些，所以选择基于python的flask作为web框架。
flask官网文档引用jinja2模板引擎，所以我这也顺其自然用的jinja2
页面分三个类型：首页、频道页、详情页
数据处理
抓取内容类型、来源
内容类型分为：
-
文本数据
-
抓取百度搜索，搜索结果正文
-
抓取百度新闻，搜索结果正文
-
抓取百度搜索，搜索结果摘要
-
问答数据
-
抓取百度知道，搜索结果正文
-
图片数据
-
360图片搜索，原始图片地址及360缓存地址
-
视频数据
-
视频资源接口
抓取方式
开始网站程序和爬虫程序都放在一台韩国的机子上，但韩国机子抓取国内网站数据太慢，随后将爬虫程序分离，放在本地运行，抓回来的数据在传到韩国主机。
数据处理
因为希望尽可能保证每个站群下的网站都具备可读性强、与关键词高度相关的内容，就是在外表上跟单站无任何区别。所以提取网页中的完整正文，并过滤掉乱七八糟的内容，一个关键词下的多个相关内容，已经做了关联，在网页上可以随便调用。
也就是说，一个词，可以展现N条跟这个词相关的完整正文信息、摘要、视频信息、图片信息、问答信息，只能性能上能够满足
数据存储
一个频道下有N个关键词，关键词数据和对应的频道数据放在Mysql；
爬虫围绕每个关键词抓取内容，抓取内容存放在mongodb，每个内容类型分为一个集合。
从mysql中调用关键词逻辑，通过关键词id，从mongodb各个集合中获取所需要的数据
nginx、flask设置
-
nginx配置文件绑定多个域名到web主程序目录；
-
PC站和移动站使用不同模板，nginx识别访客UA做移动跳转适配；一个nginx配置文件下的域名，可单独为其配置title、description、模板调用参数等，保证每个域名、每个页面都是独立的TD、独立的正文内容
后续问题
目前站群程序仅仅是一个demo版本，充其量就是个玩具，已经可以上站。但根据本渣渣经验，估计抓取关键词数据上了50万后，程序估计就跑不动了，因为数据查询性能太渣渣。
所以预计本渣渣还需要解决如下问题：
1、数据抓取效率极度低下
按一个关键词需要抓取5条百度搜索结果正文、5条新闻搜索正文、5张图片、5个问答数据、3条视频，还有各类搜索引擎相关搜索和下拉关键词，需要抓取的内容量大，且只有本地一台机子在抓数据，效率还是太慢。
所以考虑在国内布置多台机子，抓取不同的数据，分发给不同的机子来负责抓取，最后所有机子抓取的数据都汇总到存储数据的机子上。
2、数据量太大，硬盘不够
按一个抓取正文平均500字算，一个词所需要抓取的数据的字数在1万字左右。那抓取50万个词，就是50亿个字。
一般小说站，存储100万字，大概占用2M硬盘空间，那50亿字，就是10000M，要占用10个G的空间。听上去感觉挺少的，But这仅仅是存储数据所占的容量，要为了网页加载性能开启静态缓存呢？？
所以，日后若上的数据量大，买硬盘空间实在太贵了，怎么解决呢？缺乏运维经验，现在除了插几块SSD，不知道还有什么别的方法
3、请求量太大，数据量太大，查询效率低下
怎么解决呢？没错，本渣渣现在根本不知道怎么解决！
微信公众号：流量贩子
GoGo闯的公众号
知识星球（日后有福利发之，比如一段能写黄段子的Python代码~~~）
GoGo闯的知识星球
网友评论