备案控制台

开发者社区> 问答> 正文

小型垂直搜索引擎如何更好用HBase来存储爬虫数据

背景

小型的垂直搜索引擎, 监控不到1万个站点, 每天吞入新闻页数只有不超过200万页.
每月纯HTML(不包含附件) 只有不到1TB

问题

如何更好的设计RowKey来满足爬虫爬取的Raw HTML的存储请求?
OpenTSDB是否适合这样的应用场景?

展开

收起

efw171 2018-05-16 12:15:31 2580 0

2 条回答

写回答

取消提交回答

1608391764105511

（1）OpenTSDB不适合
（2）总体来说搜索引擎的存储都是倒排索引，key是分词后的单词。

2019-07-17 22:26:25

赞同展开评论打赏
xuning715

这个有点高深啊

2019-07-17 22:26:24

赞同展开评论打赏

问答分类：

数据采集存储监控搜索推荐分布式数据库 Hbase 云数据库HBase版

问答标签：

爬虫数据爬虫存储云数据库HBase版数据云数据库HBase版存储存储爬虫

问答地址：

开发者社区 > 数据库 > 问答

版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

相关问答

Flink CDC我使用爬虫一次插入数据到ods层，数量为250条，这种情况是否遇到过？

73

1

0

我是用爬虫获取数据全量存储到ods层，使用的按最新的同步吗？

49

1

0

DataWorks这里的数据对我分析独享集成资源很有价值，怎么把这个数据弄下来？不会让我写爬虫脚本吧

42

1

0

爬虫如何只爬取更新数据

38

1

0

用python写爬虫，有什么好的建议？数据量大了有什么好的处理方式？

28

1

0

如果定时每天执行一次爬虫程序，怎么知道当前新增的数据呢？

28

2

0

请教一个问题。我在用spark读取hbase数据时，默认是一个regoin一个task。发现有些re

1104

0

0

odps导出数据到hbase,这个报错是什么意思啊？

732

1

0

hbase 表获取一行表数据如何用代码描述呢？

1624

1

0

删除hbase 表中多行数据如何用代码描述呢？

1868

1

0

问答排行榜

最热

最新

1 【大咖问答】对话PostgreSQL 中国社区发起人之一，阿里云数据库高级专家德哥 1818923

2 据说在家办公的程序员是这样写代码的？ 1793033

3 阿里云开放端口权限 690220

4 如何升级配置 536264

5 【藏经阁一起读（27）】本周推荐《Apache Flink案例集（2022版）》，你有哪些心得？ 522799

6 【精品问答】python技术1000问(1) 514114

7 Flink Forward Asia 2021 有奖问答 512893

8 OceanBase 使用动画（持续更新） 359365

9 阿里云LNAMP(Linux + Nginx + Apache + MySQL + PHP)环境一键安装脚本 329791

10 OSS存储服务-客户端工具 321534

11 为体验实验室取一个新名字。 307460

12 企业邮箱发送邮件时，若出现投递失败产生退信，内容提示包含如下： the mta server of * reply:550 failed to meet SPF requirements 或者 the mta server of 163.com — 163mx01.mxmail.netease.com(220.181.14.141) reply:550 MI:SPF mx14,QMCowECpA0qTiftVaeB3Cg—.872S2 1442548128 http://mail.163.com/help 304063

13 Win Server 2003-2016 加密勒索事件必打补丁合集 295316

14 FLASH播放器，在IE浏览器下显示请确定您的域名已完成备案和CNAME绑定 284149

15 安全组详解，新手必看教程 277334

16 写code还是做管理，开发者如何进行职业规划？ 269088

17 惊喜翻倍：免费ECS+免费环境配置~！(ECS免费体验6个月活动3月31日结束) 255873

18 阿里云手机和阿云浏览器连接问题专帖 235685

19 请问阿里云邮箱如何开启SMTP服务啊！ 225830

20 支付宝H5 下载的时候，提示【请确保该下载文件来源安全,如需浏览,请长按网址复制后使用浏览器访问】 224538

1 AI时代，存力or算力哪一个更关键？ 109

2 全网寻找 #六边形战士# 程序员，你的 AI 编码助手身份标签是什么？ 631

3 关于开发者的100件小事，你知道哪些？ 857

4 AI助力，短剧迎来创新热潮？ 439

5 1024程序员节，开发者们都在参与社区的哪些活动？ 1930

6 关于文本框校验自定义函数的问题 219

7 百问求答第四期-回答问题即有机会拿冬季取暖器 790

8 宜搭-集成&自动化，怎么实现定时自动获取普通表单里的所有数据，并更新该表单里的某列数据？ 107

9 有没有大佬知道：宜搭的流程表单里如何通过js面板给成员组件赋值？ 150

10 百问求答第四期-回答问题即有机会拿冬季取暖器 612

11 域名内网可以正常访问，外网访问不了 148

12 宜搭表单数据管理增加全部删除功能 126

13 获取Access Token报code: 400, body is mandatory 258

14 运动旅游开启新潮流，哪些科技手段能助力你的行程呢？ 839

15 “AI+儿童陪伴”，是噱头还是趋势？ 896

16 小白求助，跟着大模型微调教程做不太明白 489

17 2024年阿里云双十一有活动吗？买服务器价格能优惠吗？ 256

18 P人出游，你是否需要一个懂你更懂规划的AI导游呢？来搭建专属文旅问答机器人吧 1439

19 【云端读书会第1期】读《10分钟打造专属AI助手》，你有哪些心得？ 2453

20 宜搭上有很多表单有附件，想把附件根据项目名称统一存储到钉盘里面 152

相关课程

更多

HBase入门与实战

599

7

去学习

Python爬虫实战

40303

6

去学习

Python网络爬虫实战

2487

3

去学习

云数据库HBase版使用教程

5774

7

去学习

HBase入门教程

10359

41

去学习

分布式数据库 HBase 快速入门

719

49

去学习

推荐问答

乘风问答官招募中！机械键盘免费拿

相关电子书

更多

阿里云HBase产品体系架构及特性解析 立即下载

HBase在阿里搜索推荐中的应用 立即下载

Python第五讲——关于爬虫如何做js逆向的思路 立即下载

相关实验场景

更多