本文由博主原创,转载请注明出处
github爬虫项目（源码）地址(已完成，关注和star在哪~):https://github.com/MatrixSeven/ZhihuSpider

附赠之前爬取的数据一份(mysql): 链接:https://github.com/MatrixSeven/ZhihuSpider 只下载不点赞，不star，差评差评~蓝瘦香菇）

1. 使用多线程加速

什么，爬虫爬起来数据太慢了，怎么办？你那当然是开启多线程了。那么多线程是什么我就不介绍了。如果还不知道的，请左移多线程百度百科。
恩，知道了多线程，但是多线程如果自己控制的话，会很不好控制，所以咱们还需要两个线程池，一个负责拿到个人信息，一个负责获取用户的token。接下来让咱们之前写的ParserBase类实现Runnable，然后在ParserFollower里和ParserUserInfo里分别实现run方法，其实也很简单了，就是把之前的爬去逻辑，丢到run方法里。然后咱们就开启了多线程之旅。
但是在存取数据的时候会遇到很多问题，比如数据会重复，这就出现了脏数据，那么咱们就是适当的加锁。来保证数据的干净。

2. 使用队列减少数据库访问

如果说数据重复的问题解决的，那么咱们还有一个大问题，因为两次爬到的可能是同一个人，但是一份在数据库里，一份在正在跑的内存里，怎么办，当然是要连接下数据库，然后判断是数据是否已经在数据库中存在了，那么在多线程且获取速度很快的情况下，那么将会频繁访问数据库，造成速度缓慢，数据库链接数过多，cpu使用率过大，那咱们怎么除处理这个问题呢？
首先大家都一定知道，在现在内存非常大的今天，咱们完全可以把一部分数据直接缓存下载，而且程序访问内存的代价要比访问数据库的代价要小的太多。
因此，咱们可以用一个list把咱们已经有的token存下来，然后每次去这个list里去做验证，这样，就减少了数据库的访问了频率。

3. 实现LRU提高缓存命中率

如上所说，用一个list的确是起到了减少数据库访问的目的，但是效果好像不如想象那么好，因为数据库里100k的数据，咱们不可能把所有数据都缓存下载，那么怎么才能在优化下呢？
这时候就要合理的处理这个list了，自己实现一个LRU缓存，来调高命中率。
那么lru是什么？y一句话LRU是Least Recently Used 近期最少使用算法，也叫淘汰算法。
具体实现和思想可见缓存淘汰算法–LRU算法。
按照这个思想，其实还有个优化，那就是根据碰撞次数和上次碰撞时间进行移除。咱们只是实现简单的，具体实现在MatrixSeven/ZhihuSpider

吾爱Java(QQ群):170936712（点击加入）

知乎爬虫之5:爬虫优化（附赠数据库）

原文：http://www.cnblogs.com/seven007/p/6248578.html