舆情爬虫项目框架及存储选择

[liwenbest]

手上有个舆情爬虫项目，需要监控几百个企业和一些关键词的网络舆情。本人之前主要有爬取单个网站的经历，查找了些资料，打算使用 scrapy_redis 分布式爬虫，数据库用 mongodb，还有在考虑用 hadoop 存储框架 这样数据传输和计算方便些。有没有做过同时采集多个网站的高手指点下 爬虫框架和存储应该选择哪种更好

[AntoniotheFuture]

舆情爬虫有商业服务了，要不要考虑一下？

[liwenbest]

@AntoniotheFuture 加我 QQ986636628 私聊

[AntoniotheFuture]

@liwenbest 我没有做，你百度一下有很多啊

[Keyes]

预算多少，买个现成的，卖两个人过去看着吧，我司舆情项目都 saas 化了，单一系统根本收不回成本

[wzwwzw]

@liwenbest QQ 有答案无法回复。

[czfy]

这种从 0 开始不太现实吧..数说故事 /明略 /秒针之类的都有解决方案

[murmur]

是真的要做还是要坑人钱，爬微博知乎就省省吧，贴吧那么多你爬哪里

[liwenbest]

@wzwwzw 沙滩车

[liwenbest]

@Keyes 公司接了个舆情项目 要开发的 开发周期一年 要自己搞了

[liwenbest]

@czfy 要自己开发的

[czfy]

@liwenbest 自己开发..只能祝你好运

[smgui]

可以试试这个，试过用 kafka 和 rabbitmq 作为队列爬了些网络小说：
https://github.com/Insutanto/scrapy-distributed
这些框架的源代码都很简单，完全可以自己造轮子。

[liwenbest]

@smgui 非常感谢 我看看

[tisswb]

我几年前做过类似项目，用的是 scrapy_redis + elasticsearch 的组合，基本够用

[liwenbest]

@tisswb 我目前也是 scrapy_redis 但是存储用 mongodb

[tisswb]

@liwenbest 用 es 的好处就是索引 分词 统计功能全面，可以省不少功能开发量