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。 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

数据展示：

备注

博客
本人项目自建代理池
如果需要运行程序  请装好Redis，sqlserver  并配置好