电信科学 ›› 2013, Vol. 29 ›› Issue (8): 146-150.doi: 10.3969/j.issn.1000-0801.2013.08.025
陈舜华1,王晓彤1,郝志峰1,蔡瑞初1,肖晓军2,卢字2
Shunhua Chen1,Xiaotong Wang1,Zhifeng Hao1,Ruichu Cai1,Xiaojun Xiao2,Yu Lu2
摘要:
随着微博用户的迅猛增长,越来越多的人希望从用户的行为和微博内容中挖掘有趣的模式。针对如何对微博数据进行有效合理的采集,提出了基于微博API的分布式抓取技术,通过模拟微博登录自动授权,合理控制API的调用频次,结合任务分配控制器高效地获取微博数据。该分布式抓取技术还结合时间触发和内存数据库技术实现重复控制,避免了数据的重复爬取和重复存储,提高了系统的性能。本分布式抓取技术具有可扩展性高、任务分配明确、效率高、多种爬取策略适应不同的爬取需求等特点。新浪微博数据爬取实例验证了该技术的可行性。
|