第89章 这家伙是个宝藏！ (第2/2页)
头发稀少，见到余江先打招呼。
「师兄早。」
余江坐到老爷机前，按下电源，风扇便疯狂转动。
这十年老拖拉机的动静，他敢打赌，那块赛扬566都应该属於「升级」。
「师兄啊————你们是用的什麽电脑呢？」
「奔I1I800。」
见余江一副生无可恋的表情，闫师兄呵呵笑道：「你来晚了一点，本来有多的，後面老板感觉集群太吃力，就把那台奔3的放机房去了。」
「你们机房没用专门的伺服器啊？」
「是啊，全用的台式做集群————所以你知道我们条件多艰苦了吧？」闫师兄摇了摇头：「去年有人毕业证都不要就直接跑路了，实在受不了这玩意。」
余江：「————是够艰苦的。」
这会电脑已经打开，余江迅速输入密码，打开arXiv。
现在arXiv上占位性质的论文很多，但也能看到高质量、高数量且最新的论文。
这边，闫宏飞见他快速地用滑鼠划拉着篇幅，几乎几分钟就把一篇全英文的论文看完，随後又打开另外一篇後，眼中惊讶顿升。
他这是读论文，还是在看网文？
怀着疑惑，闫宏飞起身，慢慢走到余江身後。
只见余江正在阅读一篇关於玻尔兹曼机的论文。
看得出来，余江看得很认真，但他翻页的速度依旧极快！
甚至闫宏飞都只来得及看清楚一个公式，余江就又翻页了！
闫宏飞只感觉头皮一阵发麻：「你看完了？」
「嗯。」余江回头，见闫宏飞满脸惊恐，马上意识到对方可能被自己看论文的速度吓到了，连忙解释道：「就随便翻了一下。」
闫宏飞却只是摇了摇头。
他当然愿意相信余江只是随便翻了一下。
但随便翻的状态，和认真的、快速看的状态，又怎会一样？
他又联想到这家夥恐怖的分数————
沉默了几秒，他又想到昨天喻林的话。
「师弟，你对爬虫了解多少？」
余江回头：「了解了一点点，怎麽？」
「就是即便加了节点，并行抓取也是重复，而且很慢。」闫宏飞望着余江：「有思路没？」
余江微微皱眉。
这位师兄好像是博一————
「嗯————师兄肯定去重没问题————」余江一边说着一边观察闫宏飞的表情，「要不我看看日志？」
闫宏飞点头，随即打开日志。
余江从旁边拉过凳子，迅速查看日志。
爬虫这玩意谁没玩过啊—一他当初写的验证lai123连结网站的小工具，如果加一道分析，就可以算爬虫了。
「师兄用的文件列表？」
「也试过HashSet去重，但很快就爆内存。」
「URL队列问题确实难搞。」余江点头，安静地思索了片刻。
闫宏飞也耐心地等待，只是眼神略有闪烁。
「HashSet在URL总量过高的时候确实会占用大量内存，文件列表吃I/0。
"1
闫宏飞就叹了口气，他的办法是平均负载，但终归治标不治本。
余江转头望着闫宏飞。
「要不试试全局去重？」
闫宏飞一怔：「怎麽全局，什麽架构？」
「引入一个轻量Master节点，专门维护一个全局BloomFilter做去重。」
「位数组大小按我们当前几千万网页规模留足余量，用几个独立哈希函数，误判率控制在千分之五以内就够用。Worker节点本地先快速过滤，新提取的URL再批量通过TCP发给Master确认。」
「关键是per—hostbackqueues：Master按主机名hash分桶，每个主机维护一个FIFO队列和一个下次可抓时间————」
「————Master本身用轻量内存结构，也没什麽瓶颈。」
余江一边思索，一边慢慢地给出方案。
他同时也感慨。
这些在後世几乎算是搜寻引擎入门教科书一般的解决方案，在现在却是拦路虎一般的存在。
闫宏飞认真地听着，最後猛地望向余江。
「你之前干过？」
闫宏飞死死地盯着余江。
他完全不信，一个没有干过搜寻引擎的人，会在这麽短时间内就给出近乎完整的解决方案！
余江轻轻咳了咳：「玩过爬虫，也玩过分布式————但分布式爬虫没玩过。」
「我晕！你上哪里玩的？」
余江一阵无语。
知道不把这帮师兄们震住，怕是每天都要问个不休了。
「师兄，非得要我说，我有个非常有钱的姐，她手底下有上百台P川志强伺服器吗？」
「靠！」
闫宏飞猛地起身。
这时，徐飞和彭波也正好进门。
「你俩来得正好！赶紧把他按住！」
二人同时一惊。
「闫哥你要干啥？」
闫宏飞是一愣，似乎也不知道自己起身干啥。
但他很快转头望向余江。
「师弟，能把你姐介绍给师兄吗？」