Linux企业级项目实践之网络爬虫(7)——DNS解析

DNS 是Domain Name Service的缩写。域名系统为Internet上的主机分配域名地址和IP地址。IP地址不易于记忆,然而域名地址相比较而言是方便于记忆的。用户如果使用域名地址,当想获得IP地址时,就要向域名服务器发送请求。这个域名服务器就会自动把域名地址转为IP地址返回给用户。
爬虫程序优化DNS请求的必要性
当爬虫程序从HTML页面上提取URL时,一般情况下,应该有很多都是这个站点内部的URL。那么当这个站点里的某个URL请求过DNS以后,就应该采用某种数据结构把这个值保存起来。以后再发现这个站点内的URL后,就把域名部分的IP取出给这个URL,从而减少不必要的DNS请求。这样可以大大加快抓取页面的速度,提高效率。
优化DNS请求的方式

对于同一个站点内部的页面应该设一个数据结构以保存,并且方便查找。这样,当爬虫系统得到了一个新的URL以后,可以快速的转换地址格式并进行连接。

void * urlparser(void *none)
{
Surl *url = NULL;
Url *ourl = NULL;
map<string, string>::const_iterator itr; while(1) {
pthread_mutex_lock(&sq_lock);
while (surl_queue.empty()) {
pthread_cond_wait(&sq_cond, &sq_lock);
}
url = surl_queue.front();
surl_queue.pop();
pthread_mutex_unlock(&sq_lock); ourl = surl2ourl(url); itr = host_ip_map.find(ourl->domain);
if (itr == host_ip_map.end()) { /* not found */
/* dns resolve */
event_base * base = event_init();
evdns_init();
evdns_resolve_ipv4(ourl->domain, 0, dns_callback, ourl);
event_dispatch();
event_base_free(base); } else {
ourl->ip = strdup(itr->second.c_str());
push_ourlqueue(ourl);
}
} //evdns_base_free(dnsbase, 0);
//event_base_free(base);
return NULL;
}
上一篇:Android无埋点数据收集SDK关键技术


下一篇:<脱机手写汉字识别若干关键技术研究>