Julien Nioche 是DigitalPebble公司的总监、PMC 成员和Apache Nutch网络爬虫项目的代码提交者。StormCrawler是一组可重用的组件，可以构建基于流式框架Apache Storm的分布式网络爬虫。Julien Nioche 就 StormCrawler 接受了我们的采访，谈了他的一些看法。
Nioche 是该项目的主要贡献者，InfoQ 采访他以了解更多关于 StormCrawler 的情况，以及在相同领域内它与其他技术相比有什么特点。
InfoQ：爬虫处理流水线在什么阶段可以受益于 StormCrawler？
Julien Nioche：StormCrawler 提供了代码和资源，可以用它来实现所有爬虫处理流水线的核心阶段，比如调度、获取、解析和生成索引等。它也为常用项目提供了可供调用的模块，比如Apache Solr、Elasticsearch、MySQL或者Apache Tika等。它还有一套可扩展的功能，可以用XPath、sitemaps、URL 过滤器或语言识别等去做数据提取。
InfoQ：与其他爬虫技术，比如 Apache Nutch 和 Python 的Scrapy等相比较，StormCrawler 有什么特点？
Nioche：StormCrawler 是基于我开发 Apache Nutch 的经验开发的，很大程度上要归功于它，主要是一些概念（比如 FetcherBolt、URL 和解析过滤器的设计）和早期实现。StormCrawler 实现了 Nutch 的功能，并且像 Nutch 2.x 版一样，可以使用不同的后端数据库（HBase、Cassandra 等等）。
StormCrawler 和 Nutch 之间的主要区别是，后者基于（并且催生了）Apache Hadoop 项目，而且是批量驱动的。URL 提取、内容解析和生成索引都是作为单独的步骤完成的。这会导致当提取 URL 的时候，CPU 和磁盘的使用率相对较低，而网络流量高。而当解析或生成索引时则反之，CPU 和磁盘的使用率高，网络流量低。
与它相反，StormCrawler 基于流处理框架 Apache Storm 实现的，并且所有的操作都可以在同一时间进行：URL 提取、解析和生成索引都不断地并行进行。这就使整个爬取过程更加高效，而且没有长尾的工作量，而这是面向批处理方法的常见问题。与 Nutch 不同，处理内容不一定要保存在磁盘上（但如果必要的话也可以保存在磁盘上）。也可以用 StormCrawler 更容易地实现更丰富的用例，比如需要低延迟的时候，或者当 URL 成为流不断到达的时候（比如用户生成的事件，像访问页面等）。
把两者之间进行对比，我们可以发现 StormCrawler 运行在一个分布式的、可扩展的环境中，而 Scrapy 是单进程的，即使有像Frontera那样的项目去做分布式爬虫，。
StormCrawler 代表了 Apache Storm 的分布式和可靠性（再加上其他的功能，比如用户界面、指标框架和日志等）。
Scrapy 和 StormCrawler 都在力图实现用户友好性和为数据抓取提供好的解决方案。
总之我认为，StormCrawler 是 Nutch 的可扩展性和 Scrapy 的用户友好性的结合体。
InfoQ：爬取的工作量往往是 I/O 密集型的。与其他的替代品，比如 Apache Spark 或Apache Flink等相比，使用 Apache Storm 作为流处理框架的优势是什么？
Nioche：Apache Storm 设计和概念简单并且高效。Spark 那时还不存在。Spark 对数据进行小批量流处理的方式，及其声明式的风格并不非常适合我的需求。
爬行的主要挑战之一是礼貌，这个概念的意思是爬虫访问 Web 服务器的频率。与大多数的流式应用不同，它的目的并不只是尽可能快地获得尽可能多的信息，而是要有礼貌地执行但同时优化吞吐量。我们要进行更好的控制，Apache Storm 的机制恰好可以满足我们的需求。
InfoQ：StormCrawler 接下来的版本的路线图是什么？
Nioche：StormCrawler 的发展是由社区驱动的。最新发布的稳定版本是 1.2，它是基于 Storm 的 1.x 版本开发的。下一个要发布的版本将包括语言识别模块，并且很有可能会提供一个新端口来支持Elasticsearch 5。在某种程度上即将发布的主要功能是实现基于Selenium的协议，这将适用于基于 Ajax 的网站。
查看英文原文：Julien Nioche on StormCrawler, Open-Source Crawler Pipelines Backed by Apache Storm
注册/登录 InfoQ 发表评论