V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
yesterdaysun
V2EX  ›  问与答

求问一个关于爬虫数据库的问题

  •  
  •   yesterdaysun · 2018-09-06 16:15:51 +08:00 · 1440 次点击
    这是一个创建于 2271 天前的主题,其中的信息可能已经有所发展或是发生改变。

    做了一个 ebay 产品和评价的爬虫, 目前大概有 1 万卖家, 1 亿产品和 1 亿评价数据, 用的 mysql.

    插入数据到感觉还行, 但是查询很慢, 请问类似这样的数据应该采用什么样的数据库架构呢? 我对 nosql 什么的不熟, 不知道该不该用, 也不知道能不能达到灵活的查询需求.

    另外预计还有现在量的 5 倍的数据需要抓取, mysql 能撑得住这么大的量吗? 不知道上限是多少? 如果要换架构换数据库, 应该要换什么样的?

    谢了!

    11 条回复    2021-02-19 00:12:54 +08:00
    PHPer233
        1
    PHPer233  
       2018-09-06 16:20:19 +08:00 via iPhone
    我也做爬虫,数据量大导致查询很慢,求解决方案。
    golmic
        2
    golmic  
       2018-09-06 16:29:29 +08:00
    大规模抓取、储存是很大一部分内容。单说楼主提到的查询慢的问题,也要具体一下是搜索什么。精确查找还是模糊搜索,直接搜商品 title 还是商品 id。查询的需求是什么,是提供后端搜索服务还是别的。

    如果不针对特定问题的话,感觉并没有什么通用的解决方案。
    lostvincent
        3
    lostvincent  
       2018-09-06 16:51:35 +08:00
    具体问题得具体分析
    数据量大,各种速度慢可能需要集群之类,比如 mysql 的话上类似 https://github.com/flike/kingshard
    或者分页太慢,需要优化查询,(以 mysql 为例)比如考虑 late row lookup
    etc ...
    yesterdaysun
        4
    yesterdaysun  
    OP
       2018-09-06 17:23:11 +08:00
    @golmic 主要是标题搜索, 用 like, 其他的会做一些 group by, 都挺慢的, 暂时不提供搜索服务, 只是不时的做一些数据分析.

    因为暂时没有提供搜索服务的需求, 所以搜索慢还不是不能接受, 关键现在有点担心量再大几倍后, 连插入都很慢, 查询时间也变得不能接受, 想问有没有更好的架构, 趁数据还少把底层调整好
    golmic
        5
    golmic  
       2018-09-06 17:29:27 +08:00
    单说大规模插入慢,可以用 HBase ;单说做数据分析的查询慢,尝试导入到 Hive 中去做查询;单说提供搜索服务,PB 量级以下 ElasticSearch 就能支撑的很好。
    gabon
        6
    gabon  
       2018-09-06 19:28:56 +08:00 via Android
    @yesterdaysun like 为什么不考虑一下啊用 elastic search,MySQL 用的什么引擎,like 不一定能走索引,表扫数据量大了肯定慢。我也爬了几千万条数据,开始用的是 MySQL,后来改成了 MongoDB,爬回来的数据是 JSON 格式的,处理一下直接丢到 MongoDB 里面很方便。我打算把数据同步到 ES,查询性能应该会提高很多。ES 也可以做一些数据分析。
    tinybaby365
        7
    tinybaby365  
       2018-09-06 20:07:22 +08:00
    小规模数据存储:NoSQL (如:SSDB ),进 ElasticSearch 索引;大规模数据用 hadoop 生态,选一种列存储,用 hive 查。
    bingfan
        8
    bingfan  
       2018-09-07 01:11:42 +08:00
    mysql 怎么能用 like 呢,老老实实存点数据就行,搜索用 ElasticSearch,没有啥能力的话,也可以用阿里云的 OpenSearch,直接后端对接 mysql,代码都不怎么改就搞定
    yesterdaysun
        9
    yesterdaysun  
    OP
       2018-09-07 11:40:11 +08:00
    @bingfan @gabon @golmic @tinybaby365 感谢各位回复!

    我准备在阿里云找个合适的服务解决这个事, 但是一眼看过去好多,什么 opensearch, maxcompute, e-mapreduce,分析型数据库, 都不知道哪个合适. 请问各位有用过这些吗?

    我的需求就是不做搜索服务, 就是单纯的大量爬虫数据存储(200GB+), 加数据分析, 可能用到文本搜索,大量数据结果导入导出, 还有一些 group by, sum, count 之类的统计分析. 求大神推荐一个! 多谢!
    golmic
        10
    golmic  
       2018-09-07 11:44:33 +08:00
    maxcompute 可以详细了解一下,一方面是解决大规模的数据储存,另一方面支持 HiveQL 做数据分析,关于 HiveQL 你可以简单理解为 SQL,再就是方便进行导入导出。还可以配置任务流实现每天数据任务自动化。
    no13bus
        11
    no13bus  
       2021-02-19 00:12:54 +08:00
    @yesterdaysun 楼主后来定下来最终的解决方案了不?我也遇到了类似的问题了
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2706 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 26ms · UTC 10:25 · PVG 18:25 · LAX 02:25 · JFK 05:25
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.