求问一个关于爬虫数据库的问题

[yesterdaysun]

做了一个 ebay 产品和评价的爬虫, 目前大概有 1 万卖家, 1 亿产品和 1 亿评价数据, 用的 mysql.

插入数据到感觉还行, 但是查询很慢, 请问类似这样的数据应该采用什么样的数据库架构呢? 我对 nosql 什么的不熟, 不知道该不该用, 也不知道能不能达到灵活的查询需求.

另外预计还有现在量的 5 倍的数据需要抓取, mysql 能撑得住这么大的量吗? 不知道上限是多少? 如果要换架构换数据库, 应该要换什么样的?

谢了!

[PHPer233]

我也做爬虫，数据量大导致查询很慢，求解决方案。

[golmic]

大规模抓取、储存是很大一部分内容。单说楼主提到的查询慢的问题，也要具体一下是搜索什么。精确查找还是模糊搜索，直接搜商品 title 还是商品 id。查询的需求是什么，是提供后端搜索服务还是别的。

如果不针对特定问题的话，感觉并没有什么通用的解决方案。

[lostvincent]

具体问题得具体分析
数据量大，各种速度慢可能需要集群之类，比如 mysql 的话上类似 https://github.com/flike/kingshard
或者分页太慢，需要优化查询，（以 mysql 为例）比如考虑 late row lookup
etc ...

[yesterdaysun]

@golmic 主要是标题搜索, 用 like, 其他的会做一些 group by, 都挺慢的, 暂时不提供搜索服务, 只是不时的做一些数据分析.

因为暂时没有提供搜索服务的需求, 所以搜索慢还不是不能接受, 关键现在有点担心量再大几倍后, 连插入都很慢, 查询时间也变得不能接受, 想问有没有更好的架构, 趁数据还少把底层调整好

[golmic]

单说大规模插入慢，可以用 HBase ；单说做数据分析的查询慢，尝试导入到 Hive 中去做查询；单说提供搜索服务，PB 量级以下 ElasticSearch 就能支撑的很好。

[gabon]

@yesterdaysun like 为什么不考虑一下啊用 elastic search，MySQL 用的什么引擎，like 不一定能走索引，表扫数据量大了肯定慢。我也爬了几千万条数据，开始用的是 MySQL，后来改成了 MongoDB，爬回来的数据是 JSON 格式的，处理一下直接丢到 MongoDB 里面很方便。我打算把数据同步到 ES，查询性能应该会提高很多。ES 也可以做一些数据分析。

[tinybaby365]

小规模数据存储：NoSQL （如：SSDB ），进 ElasticSearch 索引；大规模数据用 hadoop 生态，选一种列存储，用 hive 查。

[bingfan]

mysql 怎么能用 like 呢,老老实实存点数据就行,搜索用 ElasticSearch,没有啥能力的话,也可以用阿里云的 OpenSearch,直接后端对接 mysql,代码都不怎么改就搞定

[yesterdaysun]

@bingfan @gabon @golmic @tinybaby365 感谢各位回复!

我准备在阿里云找个合适的服务解决这个事, 但是一眼看过去好多,什么 opensearch, maxcompute, e-mapreduce,分析型数据库, 都不知道哪个合适. 请问各位有用过这些吗?

我的需求就是不做搜索服务, 就是单纯的大量爬虫数据存储(200GB+), 加数据分析, 可能用到文本搜索,大量数据结果导入导出, 还有一些 group by, sum, count 之类的统计分析. 求大神推荐一个! 多谢!

[golmic]

maxcompute 可以详细了解一下，一方面是解决大规模的数据储存，另一方面支持 HiveQL 做数据分析，关于 HiveQL 你可以简单理解为 SQL，再就是方便进行导入导出。还可以配置任务流实现每天数据任务自动化。

[no13bus]

@yesterdaysun 楼主后来定下来最终的解决方案了不？我也遇到了类似的问题了