演讲内容摘要:
Web crawling is a hard problem and the web is messy. There is no shortage of semantic web standards -- basically, everyone has one. How do you make sense of the noise of our web of billions of pages?
This talk presents two key technologies that can be used: Scrapy, an open source & scalable web crawling framework, and Mr. Schemato, a new, open source semantic web validator and distiller.
演讲视频在 vimeo 上,幻灯片可以看 Speaker Deck 上的,或者浏览器直接打开这儿。幻灯片是用 reST 和 S5 制作的,源码在 github 上。
演讲者是 Andrew Montalenti, co-founder/CTO of Parse.ly。
个人观后小结:
- 他对三个页面抓取相关的动词之间区别的理解:Crawling, Spidering, Scraping
- Parse.ly 有大于 1TB 的生产数据是放在内存中的
- 开发和测试环境使用 Scrapy Cloud,生产环境使用 Rackspace Cloud
- 现场演示如何基于 Scrapy 定制爬虫
- 演示了他们是怎么使用 Scrapy Cloud 的
- 介绍了他们的开源项目:Schemato - the unified validator for the next generation of metadata
作者:czhang
网友评论