知乎爬虫

项目介绍

这个爬虫用实验室十台电脑一起干活，可随时添加删除机器，具有良好的伸缩性，为了能够实现断点续爬和多台电脑之间的协作使用了Redis作队列， 为了保证不重复爬取使用Redis作hash表,所有爬取的任务都放到hash表中进行标记。（打算用布隆过滤器改进，更新时间待定！） 爬取太频繁会被知乎返回429（too many request）,应对的策略是挂代理，一种方法是使用专业的云代理服务（有点贵）,另一种是自建代理池，定时爬取互联网上免费代理ip。最后数据使用sql server存储， 最后对数据进行分析，使用百度echart.js进行画图

所用技术

• 数据库
  • ms sqlserver
  • Redis
• 数据库访问
  • Entity Framework
  • ServiceStack.Redis
• HTML解析
  • HtmlAgilityPack
• 所用Redis的数据结构
  • 队列(多台电脑之间协作)
  • hash(避免重复爬取)
• 数据展示   * echart.js

其他：

• 计划 打算使用redis的bitmap(Bitmaps并不是实际的数据类型，而是定义在String类型上的一个面向字节操作的集合。因为字符串是二进制安全的块，他们的最大长度是512M，最适合设置成2^32位)当bitarray的过滤数组，
• 可行性分析：   在使用8个哈希函数的情况下，512MB大小的位数组在误报率万分之五的情况下可以对约两亿的url去重。两个亿的url是足够用的。而且比hash节省大量的空间。（  先占一个坑，等待我日后更新，先star我的项目吧）
  布隆过滤器的实现

数据展示：

备注 ------ [博客](http://www.cnblogs.com/zuin/)
[本人项目自建代理池](https://github.com/wangqifan/ProxyPool)
[本人项目布隆过滤器](https://github.com/wangqifan/BloomFilter)
如果需要运行程序 请装好Redis，sqlserver 并配置好 欢迎给我的项目提交代码