inwind

http://larbin.sourceforge.net/index-eng.html
這是larbin的主頁(yè)，感情又是sourceforge上的開(kāi)源項(xiàng)目啊。
開(kāi)源就是好，前輩們的代碼，經(jīng)驗(yàn)，可以為后來(lái)者鋪平道路，同時(shí)，開(kāi)源又是練手的最佳途徑。這一段時(shí)間太忙了，等空下來(lái)，也要去看看sourceforg上面有沒(méi)有合適的項(xiàng)目，參加參加

１］larbin的簡(jiǎn)介
larbin是一種開(kāi)源的網(wǎng)絡(luò)爬蟲(chóng)/網(wǎng)絡(luò)蜘蛛，由法國(guó)的年輕人 Sébastien Ailleret獨(dú)立開(kāi)發(fā)。larbin目的是能夠跟蹤頁(yè)面的url進(jìn)行擴(kuò)展的抓取，最后為搜索引擎提供廣泛的數(shù)據(jù)來(lái)源。

Larbin只是一個(gè)爬蟲(chóng)，也就是說(shuō)larbin只抓取網(wǎng)頁(yè)，至于如何parse的事情則由用戶自己完成。另外，如何存儲(chǔ)到數(shù)據(jù)庫(kù)以及建立索引的事情 larbin也不提供。

latbin最初的設(shè)計(jì)也是依據(jù)設(shè)計(jì)簡(jiǎn)單但是高度可配置性的原則，因此我們可以看到，一個(gè)簡(jiǎn)單的larbin的爬蟲(chóng)可以每天獲取５００萬(wàn)的網(wǎng)頁(yè)，實(shí)在是非常高效。

2] Larbin的性能特征
高效是我對(duì) larbin 的評(píng)價(jià)。
今年四月份的時(shí)候我對(duì)larbin的性能做過(guò)一個(gè)測(cè)試，luliang.dhs.org是我自己常用的服務(wù)器，CPU 為1G，內(nèi)存512，其它的性能一般，因?yàn)槭侨昵百?gòu)置的。

我將我自己的網(wǎng)頁(yè) 六翼作為入口，運(yùn)行l(wèi)arbin進(jìn)行５層內(nèi)的url的抓取。

當(dāng)時(shí)紀(jì)錄的一些數(shù)據(jù)：
Internet IO: 500-700k/per second （我想大約我的網(wǎng)絡(luò)下載的瓶頸了吧）
CPU top: 5%-15%
disk consume: 1M/s ，基本上一個(gè)小時(shí)爬 3個(gè)G 的網(wǎng)頁(yè)。差不多20萬(wàn)的頁(yè)面
url 解析: 200萬(wàn)－300萬(wàn)每小時(shí)

3] larbin 的作用
很多人初見(jiàn) larbin 不知道從哪里下手，那么我來(lái)簡(jiǎn)單介紹一下 larbin 的功能和實(shí)際應(yīng)用。
1. larbin 獲取單個(gè)、確定網(wǎng)站的所有聯(lián)結(jié)，甚至可以鏡像一個(gè)網(wǎng)站。
1. larbin 獲取單個(gè)、確定網(wǎng)站的所有聯(lián)結(jié)，甚至可以鏡像一個(gè)網(wǎng)站。
2. larbin建立 url 列表群，例如針對(duì)所有的網(wǎng)頁(yè)進(jìn)行 url retrive后，進(jìn)行xml的聯(lián)結(jié)的獲取。或者是 mp3 。
3. larbin 定制后可以作為搜索引擎的信息的來(lái)源（例如可以將抓取下來(lái)的網(wǎng)頁(yè)每2000一組存放在一系列的目錄結(jié)構(gòu)里面）。

總歸，larbin應(yīng)當(dāng)是一個(gè)被廣大搜索引擎愛(ài)好者應(yīng)當(dāng)引起注意的一個(gè)產(chǎn)品，雖然其功能逐漸被 Nutch 所接受和替代，但是其在爬蟲(chóng)上的優(yōu)美設(shè)計(jì)的確值得稱道。

Posted at December 24, 2004 02:35 AM by Liang at 02