SpiderDuck与NoSQL – Twitter实时URL抓取服务架构

2019-02-26    来源:多智时代

容器云强势上线!快速搭建集群,上万Linux镜像随意使用

最近Twitter开发者博客上发表了一篇文章,向大家介绍了Twitter的URL抓取服务SpiderDuck,其中用到了Cassandra,HDFS和Memcached作为存储部件。是一个了解NoSQL使用方法的好例子。

SpiderDuck的架构如下图所示:

其分为下面几个部分:

: 是一个Twitter在使用的队列服务,这里将所有需要抓取的URL放入此队列中。

:调度器主要负责如下一些工作:在抓取前决定这个URL是否抓取(在最近N天内抓取过的不再进行抓取),在抓取中对跳转进行处理、以及对抓取工作进行调度,在抓取工作完成后,解析抓取内容,分析出其metadata信息,然后将此信息存入Metadata Store,并将抓取到的内容存到Content Score中。调度器是队列的处理程序,所以调度器之间互不依赖,能够很好的进行横向扩展。

: 这是一个提供Thrift 接口的抓取服务,主要工作是抓取URL内容,同时其会通过对网站的robots.txt进行分析,从而进行抓取频率控制,以使通过频率变化进行相应的横向扩展。

: 这是一个用Memcached构建的分布式缓存系统 ,主要是为抓取器缓存robots.txt文件内容。

:这是一个基于Cassandra的分布式hash table,用于存储URL内容的meta信息与URL的映射关系。同时对外提供实时的对metadata的请求服务。

: 这是一个HDFS 集群,用于保存所有抓取到的内容实体,协调器通过Scribe将数据写入HDFS中。

:Cassandra曾因Twitter而一夜成名,尔后Twitter因为架构变迁放弃了Cassandra的使用,再到后面使用Cassandra的一些大公司相继出现一些问题,导致Cassandra最近一直不温不火。此次在实时URL抓取服务SpiderDuck中,Twitter使用了Cassandra来存储重要的metadata信息,相信对各位持观望态度的同学又是一记强心针。

SpiderDuck的详细介绍,可以参见原文:engineering.twitter.com

在不久的将来,云计算一定会彻底走入我们的生活,有兴趣入行未来前沿产业的朋友,可以收藏云计算,及时获取人工智能、大数据、云计算和物联网的前沿资讯和基础知识,让我们一起携手,引领人工智能的未来!

标签: 大数据 开发者 云计算

版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点!
本站所提供的图片等素材,版权归原作者所有,如需使用,请与原作者联系。

上一篇:云计算技术的应用特点及存在的问题

下一篇:惠普将在两月内推出云计算服务与亚马逊竞争