如何从海量网页中抽取出作者，时间，评论内容等信息？
hbase中有海量网页源代码，需要从海量源代码中精确抽取出【作者，时间，评论内容，点击数】等信息，请问，我该按照什么步骤，思路操作？
展开
收起
2
条回答
写回答
写回答
-
可以从hbase中批量读取数据，然后对数据进行抽取，网页的格式应该是固定的吧，这个就可以使用各种工具来完成；如果量比较大可以再写会hbase，不过一般情况下解析结果再mysql等关系数据库应该可以够存储了
2019-07-17 20:33:48赞同 展开评论 打赏 -
前端工程师可以用网页内容分析工具进行字段匹配，python有个Beautiful Soul库专门干这个的：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
2019-07-17 20:33:48赞同 展开评论 打赏
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
问答排行榜
最热
最新
推荐问答
