做大型多语言采集站哪种方案好些？

buyabag

没接触过千万级内容的站，不过我估计，首先程序肯定得是自写的了，起码魔改，要不然很多地方都不合你的需求。其次对你整个流程的架构都是个考验，从硬件到软件，从采集到节点。

5 v  p/ A& o+ J( ~) i$ H另外啊，其实国外内容站很不好做，你要知道google是面向全球，资讯站早已极大丰富，基本上什么内容都很完整且优秀，完全饱和了。光靠采集翻译什么的，九成九是没排名的，跟国内内容荒漠的网络环境完全不是一回事。所以论坛内大佬都跑CPS那些赚分成。

gatsby

buyabag 发表于 2020-10-3 22:44
没接触过千万级内容的站，不过我估计，首先程序肯定得是自写的了，起码魔改，要不然很多地方都不合你的需求 ...

确实是这样，对各方面都是个考验，就当时个学习的历程。人们收入下降消费欲望降低，cps同样也不好做。跟不上时代，处于逐渐被淘汰的边缘，做什么都不容易，难。

比特人

wordpress不要说千万级了，连50w就很困难了，特别是用lnmp

gatsby

比特人 发表于 2020-10-4 15:25
5 l& {! C! U+ t8 {' e. b( mwordpress不要说千万级了，连50w就很困难了，特别是用lnmp

" ?4 q/ x0 s1 W! a% H( E正是准备使用lnmp搭建wordpress，这可如何是好

laoyebin

gatsby 发表于 2020-10-4 21:24
, ~  Y- r0 F# T) S1 `正是准备使用lnmp搭建wordpress，这可如何是好

% T' |- j4 D. i- T; D: J* o+ d, C( `别想那么远，干了再说，说不定你几万数据时候就已经放弃这个站了

gatsby

laoyebin 发表于 2020-10-4 22:31
# D7 k0 j4 i8 S) s& v别想那么远，干了再说，说不定你几万数据时候就已经放弃这个站了

% ?- B# a6 [7 v% A% b. I8 O不错，干了再说

我是c罗

量大调用API根本不现实，不管是google还是其他引擎都是要钱的。
/ r$ n+ ^/ h% j2 Y你可以下载个有道词典，然后用selenium 写个自动化在桌面自动翻译完成入库。可以各种语言和软件之间倒腾几次。

gatsby

我是c罗 发表于 2020-10-5 20:35
9 g' u) a7 P8 x3 `" a量大调用API根本不现实，不管是google还是其他引擎都是要钱的。
你可以下载个有道词典，然后用selenium 写 ...

6 w1 Y. D) `$ {- s. I! Y% _好的，谢谢，翻译的话反复考虑了很多方法都没法简单实现，只能来回多倒腾几次了。

大洲

不翻译，硬干。硬盘网络成本低于翻译API。
! X9 t5 D; \: i) Y/ ~8 G8 H" u


! }5 P4 n0 k$ \4 c9 H

1 V- |* ?* l. c  J1 W3 ]* z" S- ~
% g2 T9 K, T# d1 G正好有个任务，目前index了2300万文章，采集了1000万成果。

gatsby

大洲 发表于 2020-10-15 15:08
/ a4 ?  V9 E: ~不翻译，硬干。硬盘网络成本低于翻译API。

2 k$ n5 R- o* [0 p1 i, |2 V+ z不愧为钱大大，用什么内容管理系统去承载这么大的数据量呢，另外简繁转换容易些，多语言就得用api了，现成的googletrans库也不靠谱。

dengwen168

大洲 发表于 2020-10-15 15:08
不翻译，硬干。硬盘网络成本低于翻译API。

牛人，，
3 ]) k4 t: V0 r4 H还自己写了界面，，
! w2 c. M1 O7 X! [* i

dengwen168

我是c罗 发表于 2020-10-5 20:35
! J5 Q+ I. \8 R. O量大调用API根本不现实，不管是google还是其他引擎都是要钱的。
3 g9 C7 y0 O/ c2 P2 G你可以下载个有道词典，然后用selenium 写 ...

* {6 z$ b% Q1 }5 b请问selenium操作有道词典是如何弄的？


8 B4 c/ M2 ?# h# S3 i0 o' E有道词典也支持一篇文章这样的全文翻译么？谢谢。

大洲

gatsby 发表于 2020-10-16 09:52
不愧为钱大大，用什么内容管理系统去承载这么大的数据量呢，另外简繁转换容易些，多语言就得用api了，现 ...

CMS也是自写。MR9.AS 。  单机独服单域名亿数据能扛得住。  

hhqq

大洲 发表于 2020-10-15 15:08
不翻译，硬干。硬盘网络成本低于翻译API。

. Y7 r; O+ R8 D# P/ K- z请问采集的源站是中文的还是英文的呀？

gingko

先干，边走边换服务器