基于大数据平台的互联网数据采集平台基本架构介绍

优采云 发布时间: 2022-05-24 04:33

  基于大数据平台的互联网数据采集平台基本架构介绍

  

  ⑤微博博主:用于对特定博主动态的监控;

  ⑥其他采集源管理。如电子期刊、APP客户端等

  信源系统的主要作用:

  ①方便运维人员对采集源的增删改查等;

  ②根据信源的状态、正则状态等,实时监控网站;

  ③对于关键词搜素采集,便于实时增加/删除、启动/关闭采集;

  ④根据采集的实际情况,实时调整采集策略。如增加/删减采集器等;

  数据采集层

  数据采集层主要用于采集队列管理、调度、数据采集等,其中主要包括:

  1.Redis缓存平台:主要用于缓存采集任务队列、过程数据(采集状态、列表数据等)等数据的临时存储;

  2.任务调度中心:主要用于采集任务的调度,保证任务按设置的采集频率被执行。同时保证任务处理的唯一性(同一任务,同一时间,只能被一个采集器处理);

  3.采集器:主要用于任务的处理。主要包括网页下载、数据结构化解析,任务监控等;

  数据存储层

  数据存储层主要用于采集数据的传输、分析、保存等,其中主要包括:

  1.数据传输:采集器把解析出来的新闻、博客、公众号文章等内容,通过统一的SpringBoot微服务接口,推送到kafka中间件。同时,对数据的质量进行校验。主要要校验发布时间、标题、正文等解析的准确度。同时,对数据进行一定的分析(打标签、特定信源监控)等;

  2.大数据平台:主要包括Hadoop、HBASE、kafka、spark、ES等。各采集器采集的数据通过微服务接口,推送到kafka消息中间件,spark消费其中,把标题、时间、正文等创建ES索引,供业务查询使用,同时把完整的信息存入HBASE。

  辅助监控系统

  辅助监控系统主要用于监控各采集网站和栏目、采集调度服务、推送服务、采集器、大数据平台等,以保证其稳定、正常运转,其主要包括以下各子系统:

  1.信源系统监控:主要监控网站、栏目、公众号、博主等状态,保证其正常访问;

  2.采集监控:主要用于监控每个采集任务的状态,以便于对异常任务、数据漏采等情况进行排查。同时,根据记录的状态,亦可以校验网站、栏目等是否正常

  3.服务器监控:主要监控服务器CPU、内存、硬盘等使用率,以及是否宕机。同时,根据服务器使用情况,合理部署采集器;

  4.数据质量校验:主要用于实时监控数据质量,根据异常数据,反查信源等配置;

0 个评论

要回复文章请先登录注册


官方客服QQ群

微信人工客服

QQ人工客服


线