他又联想到这家夥恐怖的分数————
沉默了几秒，他又想到昨天喻林的话。
「师弟，你对爬虫了解多少？」
余江回头：「了解了一点点，怎麽？」
「就是即便加了节点，并行抓取也是重复，而且很慢。」闫宏飞望着余江：「有思路没？」
余江微微皱眉。
这位师兄好像是博一————
「嗯————师兄肯定去重没问题————」余江一边说着一边观察闫宏飞的表情，「要不我看看日志？」
闫宏飞点头，随即打开日志。
余江从旁边拉过凳子，迅速查看日志。
爬虫这玩意谁没玩过啊—一他当初写的验证lai123连结网站的小工具，如果加一道分析，就可以算爬虫了。
「师兄用的文件列表？」
「也试过HashSet去重，但很快就爆内存。」
「URL队列问题确实难搞。」余江点头，安静地思索了片刻。
闫宏飞也耐心地等待，只是眼神略有闪烁。
「HashSet在URL总量过高的时候确实会占用大量内存，文件列表吃I/0。
"1
闫宏飞就叹了口气，他的办法是平均负载，但终归治标不治本。
余江转头望着闫宏飞。
「要不试试全局去重？」
闫宏飞一怔：「怎麽全局，什麽架构？」
「引入一个轻量Master节点，专门维护一个全局BloomFilter做去重。」
「位数组大小按我们当前几千万网页规模留足余量，用几个独立哈希函数，误判率控制在千分之五以内就够用。Worker节点本地先快速过滤，新提取的URL再批量通过TCP发给Master确认。」
「关键是per—hostbackqueues：Master按主机名hash分桶，每个主机维护一个FIFO队列和一个下次可抓时间————」
「————Master本身用轻量内存结构，也没什麽瓶颈。」
余江一边思索，一边慢慢地给出方案。
他同时也感慨。
这些在後世几乎算是搜寻引擎入门教科书一般的解决方案，在现在却是拦路虎一般的存在。
闫宏飞认真地听着，最後猛地望向余江。
「你之前干过？」
本章未完，请点击下一页继续阅读！