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!
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。
|
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。 |
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 ... |
4
yesterdaysun OP @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 |
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。
|
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。
|
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。
|
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
|
9
yesterdaysun OP @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! |
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。
|
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
|