好象有日子沒更新過blog了，寫篇來證明博主的存在吧。
好多哥們建了網(wǎng)站，都不知道如何吸引別人的眼球。其實(shí)我覺得的，要么功能，要么內(nèi)容。可是個(gè)人辦的網(wǎng)站，就是二十四小時(shí)掛在網(wǎng)上不停的拷貝粘貼又能做得了多少內(nèi)容？ 懶人自有懶辦法，寫個(gè)程序去抓去？
嗯，想到就得動(dòng)手，不然過陣就忘記了，當(dāng)然嘍，還是謀定而后動(dòng)，打算怎么整呢？先選擇好技術(shù)：
1、誰(shuí)去抓？好象好多人都推薦使用nutch或是herixtrix，不過我覺得象一般的小網(wǎng)站玩玩，就不必這么費(fèi)事了，就用HTMLParser吧，抓取與解析一體化解決吧。
2、誰(shuí)來格式化數(shù)據(jù)？同上了，俺用正則習(xí)慣了，正好node + regex 夠你用了。
3、如何存儲(chǔ)抓來的數(shù)據(jù)？ 我是用慣JavaEE了，那就 ibatis + mysql 吧，hiberate 就不必了，雖然我沒打算做個(gè)多高負(fù)載的應(yīng)用，但hibernate怎么也感覺不是很合適吧？ （喜歡hiberate別拍磚，我不喜歡口水戰(zhàn)，各人有自喜好，而且hibernate我也很喜歡）
4、如何把你抓來的數(shù)據(jù)表現(xiàn)出來呢？ 這個(gè)就得看你自己的需要嘍，CMS 還是 B2B電子商務(wù)程序？ 還是一個(gè) CRM或ERP程序(如果這樣的話，倒不妨試試opentaps？）
5、性能是不是問題？ 如果你打算做個(gè)專業(yè)的搜索引擎或是阿里巴巴之類的電子商務(wù)引擎，除去硬件的考慮、數(shù)據(jù)庫(kù)的優(yōu)化，也許你要更多地考慮cache的管理，還有可能考慮文件索引（如用lunece）
6、差點(diǎn)忘記了，誰(shuí)來調(diào)度這些爬蟲及程序之間的任務(wù)執(zhí)行順序呢？ 試試Quartz？！
又犯困了，先寫這吧，正好有個(gè)朋友要我?guī)兔χ笇?dǎo)做個(gè)類似玩意兒，下次再記錄吧。