2.2　内部数据收集

爬虫通过收集互联网每天不断产生新数据，能很好地帮助我们了解外面的世界。有时候，我们也需要关注公司和企业内部产生的数据，这些信息可能会有更高的商业价值。相对于互联网，内部数据的产生方式和时效性会有所不同，因此收集模式也会有所差异。首先，互联网上的数据分散在Web世界的各个角落，每时每刻都会有新的信息源诞生或消亡，没有一个全局的“地图”可供参考，因此只能依赖爬虫不断地行走和探索来将这个“地图”逐步绘制，颇有探索新大陆的意味，这也是链接获取策略非常关键的原因。而对于内部数据，我们几乎无须考虑这个问题，无论是网站顾客的访问日志，还是公司业绩的销售数据，都会按照既有规划，存放在指定的位置，因此不会涉及链接的分析和获取策略。不过，从及时性的角度来看，内部数据的收集面临着更大的挑战。除了新闻、博客等特殊场景，网络爬虫的应用一般不会要求其进行快速处理，更适合于大规模的离线存储和事后分析。而内部数据极有可能关乎企业的整体运营和表现，是各种核心业务指标的分析来源，因此大多数情况下要求有一定的实时性保证。

也正是如上所述的主要差异，决定了内部数据收集的工作模式有所不同。首先我们来看收集的模型，内部数据的收集主要分为推送（Push）和拉取（Pull）两大类。两种模式都有各自的优缺点。如果选用推送模型，那么数据的实时性无疑是比较高的，不过数据收集的容量必须要大于高峰期数据产生的规模，否则如果生产源主动推送过来的数据不能得到及时处理，将会带来更多更复杂的后续问题，其弊端就会突显。如果选择拉取模型，主动权则掌握在收集端，收集的模块可以根据自己的节奏拉取数据，高峰期产生的海量数据会在一段时间内被慢慢地消化。如此一来，只要保证收集的能力高于数据产生的平均值就足够了。当然，这样的弊端是处理延迟明显增加了。图2-7和图2-8分别展示了这两种模式。在高峰期，推送的数据量可能过大，因此推送的模式中常常需要加上队列，进行异步处理，以达到缓冲的效果。图2-7也包含了这一模块。

图2-7　推送的收集方式

图2-8　拉取的收集方式

“大宝，你觉得这种站内数据的收集，可以怎样运用呢？”这次小明主动发问。

“啊哈，这个难不倒我。我们的创业一定是面向终端顾客的，那么他们在网站上的行为一定是数据分析的关键线索。所以，设计一套用户行为日志的跟踪和存储系统是非常重要的。这里的站内数据收集模块作为分布式日志的整合是再贴合不过的啦！”