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 2591 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：

爬虫数据云数据库HBase版数据爬虫存储云数据库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？

77

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？

56

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

50

1

0

爬虫如何只爬取更新数据

42

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？

32

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？

30

2

0

爬虫去重有哪些解决方案以及python scrapy爬取超时怎么处理？

43

1

0

python 除了做爬虫，人工智能，机器学习之外。还在哪些方面有优势？

50

1

0

python爬虫的方法有哪些？

688

0

0

python爬虫的好方法都有哪些

835

0

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 1819097

2 据说在家办公的程序员是这样写代码的？ 1793250

3 阿里云开放端口权限 690332

4 如何升级配置 536321

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？ 522892

6 【精品问答】python技术1000问(1) 514148

7 Flink Forward Asia 2021 有奖问答 512925

8 OceanBase 使用动画（持续更新） 359392

9 阿里云LNAMP(Linux + Nginx + Apache + MySQL + PHP)环境一键安装脚本 329813

10 OSS存储服务-客户端工具 321623

11 为体验实验室取一个新名字。 307507

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 304118

13 Win Server 2003-2016 加密勒索事件必打补丁合集 295344

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 284243

15 安全组详解，新手必看教程 277356

16 写code还是做管理，开发者如何进行职业规划？ 269223

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) 255892

18 阿里云手机和阿云浏览器连接问题专帖 235703

19 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】 230206

20 请问阿里云邮箱如何开启SMTP服务啊！ 225901

1 通义APP上新【局部风格化】新功能，万物皆可毛茸茸你体验了吗？ 175

2 一个专属的智能 AI 总结助手，能在多大程度上提升工作效率？ 146

3 宜搭表单中的复选框问题 110

4 AI视频技术的发展是否会影响原创内容的价值？ 825

5 日常工作中，开发者应该如何避免“效率陷阱”？ 467

6 AI 编码助手能否引领编程革命？一起探索 AI 对研发流程的变革 1368

7 宜搭数据管理页面如何把一个字段设置为链接跳转 230

8 AI新茶饮，是噱头还是未来？ 1338

9 开发者们需要如何打造属于自己的Plan B? 620

10 阿里云电脑免费体验30天在哪申请？ 185

11 ACP认证有几次考试机会？ 178

12 动机VS自律，对开发者们来说哪个比较重要？ 682

13 AI音色克隆挑战播客，它能模拟人的特质吗？ 1259

14 阿里云RDS mysql数据库show slave status信息疑问 472

15 求助：宜搭如何在请求数据源时传入参数 220

16 宜搭报表对日期字段赋值 363

17 求助：如何在宜搭自定义表单中获取普通表单子表单中的数据 298

18 AI生成海报or人工手绘，哪个更戳你？ 2444

19 “AI +脱口秀”，笑点能靠算法去创造吗？ 1618

20 宜搭配置更新花名册信息的连接器 424

相关课程

更多

HBase入门与实战

602

7

去学习

Python爬虫实战

40431

6

去学习

Python网络爬虫实战

2545

3

去学习

云数据库HBase版使用教程

5774

7

去学习

HBase入门教程

10366

41

去学习

分布式数据库 HBase 快速入门

727

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

大数据时代的存储 ——HBase的实践与探索 立即下载

Hbase在滴滴出行的应用场景和最佳实践 立即下载

阿里云HBase主备双活 立即下载

相关实验场景

更多