[原创]手把手教你写网络爬虫(6):分布式爬虫 - tuohai666
手把手教你写网络爬虫(6)
作者:拓海 (https://github.com/tuohai666)
摘要:从零开始写爬虫,初学者的速成指南!
封面:
下面是一个超级计算机的排行榜,如果我们能拥有其中任意一个,那么我们就不需要搞什么分布式系统。可是我们买不起,即使买得起,也交不起电费,所以我们只好费脑子搞分布式。
Rank |
System |
Cores |
Rmax |
Rpeak |
Power (kW) |
1 |
Tianhe-2 China |
3,120,000 |
33,862.7 |
54,902.4 |
17,808 |
2 |
Titan US |
560,640 |
17,590.0 |
27,112.5 |
8,209 |
3 |
Sequoia US |
1,572,864 |
17,173.2 |
20,132.7 |
7,890 |
4 |
K Japan |
705,024 |
10,510.0 |
11,280.4 |
12,660 |
5 |
Mira US |
786,432 |
8,586.6 |
10,066.3 |
3,945 |
分布式的本质就如上期提到的一个概念:分布式系统是若干独立计算机的集合,这些计算机对于用户来说就像是单个相关系统。这就是在说,把廉价的计算机堆到一起,通过程序控制,使其整体用起来像个高性能计算机,目的就是节约成本。
对于分布式爬虫系统来说,假设1台机器能10天爬完一个任务,如果部署10台机器,那么1天就会完成这个任务。这样就用可以接受的成本,让系统的效率提高了十倍。之前介绍的单机架构是达不到这种效果的,是时候介绍新的架构了!
架构概述
与第二期介绍的通用爬虫架构不同,下面是一个聚焦爬虫的架构图,与前者相比,它不仅要保存网页,还要提取出网页中的指定内容。
Crawler_core 从任务队列获取爬虫任务,请求网页并将其存储到Mongodb,同时解析出网页中的URLs并缓存到Redis。最后通知Common-clean-platform抽取网页的指定字段。
Common-clean-platform 收到Crawler_core的通知后,从Mongodb中取出网页,根据配置进行数据抽取,形成结构化的数据,保存到Mongodb。
Scheduler_manager 负责任务调度(如启停),状态控制(如爬取数量),redis资源清理等。
Resource_manager 封装Mysql、Mongodb、Redis接口。Mysql存储任务基本信息、配置文件、任务实时状态等。Mongodb存储网页、结构化数据。Redis缓存队列、集合等数据结构。
Proxy 代理服务器。建立网络爬虫的第一原则是:所有信息都可以伪造。你可以用非本人的邮箱发送邮件,或者通过命令行自动化鼠标的行为。但是有一件事情是不能作假的,那就是你的IP地址。如果你在爬取的过程中不想被人发现,或者不想IP被封杀,那么就需要使用代理。
笔者以前看过一个电影叫《Who Am I – No System Is Safe》,剧中的黑客老大“Who Am I”就用代理来隐藏自己,躲避FBI和其他黑客组织的追踪。
不过最终他还是被抓了,看来即使用了炫酷的技术,也不是绝对安全的。
如果你也想体验一下匿名访问网络,可以试试Tor代理服务器。洋葱路由(The Onion Router)网络,常用缩写为Tor,是一种IP 地址匿名手段。由网络志愿者服务器构建的洋葱路由器网络,通过不同服务器构成多个层(就像洋葱)把客户端包在最里面。数据进入网络之前会被加密,因此任何服务器都不能偷取通信数据。另外,虽然每一个服务器的入站和出站通信都可以被查到,但是要想查出通信的真正起点和终点,必须知道整个通信链路上所有服务器的入站和出站通信细节,而这基本是不可能实现的。
Tor 是人权工作者和政治避难人员与记者通信的常用手段,得到了美国政府的大力支持。当然,它经常也被用于非法活动,所以也是政府盯防的目标(虽然目前盯防得并不是很成功)。
流程控制 – 任务
Scheduler_manager定时读取Mysql中的任务信息,根据任务的周期等配置进行调度,下面是一个最基本的任务启停流程。
- 当一个任务可以开始时,Scheduler_manager会将其基本信息(包括task_id,种子url,启动时间等)插入Reids的任务队列中。如果任务结束,就从队列中删除。
- 每个Crawler_core实例定时读取Redis任务队列中的任务,插入到本地的内存任务队列中。
- 相同的任务可以存在于不同的Crawler_core实例中,一个Crawler_core实例中也可以有相同的任务。
- Crawler_core的抓取线程从内存队列中获得可执行的任务,依次抓取和解析。
流程控制 – 数据
现在每个Crawler_core实例都有了待处理的任务,接下来就要对每个任务的url进行处理了。继续使用Redis作为公共缓存来存放URLs,多个Crawler_core实例并行存取todo集合。
- Todo集合 Crawler_core从集合中取出url进行处理,并将解析得到的url添加到todo集合中。
- Doing集合 Crawler_core从todo中取出url,都同时保存到doing中,url处理完成时被从doing中删除。主要用于恢复数据。
- Parser todo队列 Crawler_core将已经保存到mongodb的页面的url发送到parser todo队列,Parser读取数据后进行解析。
- Filter todo队列 Parser将已经保存到mongodb的解析结果的url发送到filter todo队列,Filter读取数据后进行清洗。
流程控制 – 状态
蓝色箭头 业务模块实时更新任务状态到Redis,StateObserver读取到Redis状态后,更新到mysql。
红色箭头 ClearObserver定时读取Mysql状态,若任务完成或中止,则清除任务所有的Redis key。
Redis中的任务信息如下表所示:
taskId:flag:crawler:info |
||
Filed |
value |
说明 |
totalCnt |
10000 |
抓取的url总数:抓取完成,不管成功失败,都加1 |
failCnt |
0 |
抓取的url失败数:抓取失败,加1 |
switch |
1 |
任务状态:0:停止,1:启动,2:暂停,3:暂停启动 |
priority |
1 |
任务优先级 |
retryCnt |
0 |
重试次数 |
status |
0 |
任务执行状态:1:进行中,2:完成 |
Ref |
0 |
url引用数:每消费一个url,减1;生成一个url,加1。等于0则任务完成 |
maxThreadCnt |
100 |
任务的最大线程数 |
remainThreadCnt |
10 |
剩余可用线程数 |
lastFetchTime |
1496404451532 |
上一次抓取时间 |
taskId:flag:parser:info |
||
Filed |
value |
说明 |
totalCnt |
10000 |
解析总数:解析完成,不管成功失败,都加1 |
failCnt |
0 |
解析失败数:解析失败,加1 |
crawlerStatus |
0 |
爬取状态:0:进行中,2:完成 |
ref |
10 |
url引用数:crawler每保存一个网页,加1;parser每解析完成一个网页,减1。等于0不说明任务完成。若crawlerStatus等于2,ref等于0,则任务完成。 |
taskId:flag:filter:info |
||
Filed |
value |
说明 |
totalCnt |
10000 |
清洗总数:清洗完成,不管成功失败,都加1 |
failCnt |
0 |
清洗失败数:清洗失败,加1 |
crawlerStatus |
0 |
解析状态:0:进行中,2:完成 |
ref |
10 |
url引用数:parser每保存一条数据,加1;filter每清洗完成一条数据,减1。等于0不说明任务完成。若parserStatus等于2,ref等于0,则任务完成。 |
流程控制 – failover
如果一个Crawler_core的机器挂掉了,就会开始数据恢复程序,把这台机器所有未完成的任务恢复到公共缓存中。
- 监控到192.168.0.1心跳停止。
- Master遍历正在运行的任务: task_jdjr:1489050240345等。
- 得到doing和todo集合:
- task_jdjr:1489050240345:crawler:doing: 192.168.0.1
- task_jdjr:1489050240345:crawler:todo
- 将doing中的数据全部移动到todo中。
下一步
今天对架构和流程进行了一个概要的介绍,细节问题以后会慢慢说。下期我们就先聊聊URL去重那些事儿。