Larbin 一種高效的搜索引擎爬蟲工具::[Search Engine]

離開dallas已經(jīng)整整十天了，基本上除了到處見見人之外基本上沒有其它的時間來學習新知識，也沒有空將要完成的工作收尾。

Niu.la ，Booso，luliang.dhs.org 和 wespoke 相繼宕機，看來年底各個地方的維護都不力。

itseek的開發(fā)者多次問起 larbin 的事情，我就在這里對larbin做一個簡單的介紹。因為相對于復雜的系統(tǒng)來講，larbin具有高度的可配置性，和良好的工作效率。

１］larbin的簡介
larbin是一種開源的網(wǎng)絡(luò)爬蟲/網(wǎng)絡(luò)蜘蛛，由法國的年輕人 Sébastien Ailleret獨立開發(fā)。larbin目的是能夠跟蹤頁面的url進行擴展的抓取，最后為搜索引擎提供廣泛的數(shù)據(jù)來源。

Larbin只是一個爬蟲，也就是說larbin只抓取網(wǎng)頁，至于如何parse的事情則由用戶自己完成。另外，如何存儲到數(shù)據(jù)庫以及建立索引的事情 larbin也不提供。

latbin最初的設(shè)計也是依據(jù)設(shè)計簡單但是高度可配置性的原則，因此我們可以看到，一個簡單的larbin的爬蟲可以每天獲取５００萬的網(wǎng)頁，實在是非常高效。

2] Larbin的性能特征
高效是我對 larbin 的評價。
今年四月份的時候我對larbin的性能做過一個測試，luliang.dhs.org是我自己常用的服務(wù)器，CPU 為1G，內(nèi)存512，其它的性能一般，因為是三年前購置的。

我將我自己的網(wǎng)頁 六翼作為入口，運行l(wèi)arbin進行５層內(nèi)的url的抓取。

當時紀錄的一些數(shù)據(jù)：
Internet IO: 500-700k/per second （我想大約我的網(wǎng)絡(luò)下載的瓶頸了吧）
CPU top: 5%-15%
disk consume: 1M/s ，基本上一個小時爬 3個G 的網(wǎng)頁。差不多20萬的頁面
url 解析: 200萬－300萬每小時

3] larbin 的作用
很多人初見 larbin 不知道從哪里下手，那么我來簡單介紹一下 larbin 的功能和實際應用。
1. larbin 獲取單個、確定網(wǎng)站的所有聯(lián)結(jié)，甚至可以鏡像一個網(wǎng)站。
2. larbin建立 url 列表群，例如針對所有的網(wǎng)頁進行 url retrive后，進行xml的聯(lián)結(jié)的獲取?；蛘呤?mp3 。
3. larbin 定制后可以作為搜索引擎的信息的來源（例如可以將抓取下來的網(wǎng)頁每2000一組存放在一系列的目錄結(jié)構(gòu)里面）。

總歸，larbin應當是一個被廣大搜索引擎愛好者應當引起注意的一個產(chǎn)品，雖然其功能逐漸被 Nutch 所接受和替代，但是其在爬蟲上的優(yōu)美設(shè)計的確值得稱道。