[英]Nutch best option for persistent storage in EMR for raw data
我必须在 EMR AWS 服务上使用 Nutch 1.x 爬取大约 30k 到 50k 的域。 这将是渐进的,即首先抓取所有页面,然后仅抓取这些网站的新页面或更新页面。 对于索引,我使用 Apache Solr。我对 EMR 的最佳实践几乎没有疑问
org.apache.hadoop.io.compress.ZStandardCodec
是一个不错的选择。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.