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!

 

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)。

 

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。

 

  1. 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。
  2. 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。
  3. 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。
  4. 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。

 

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。

 

  1. 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。
  2. 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。
  3. 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。
  4. 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。

 

 

 

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。

 

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。

 

  1. 监控到192.168.0.1心跳停止。
  2. Master遍历正在运行的任务: task_jdjr:1489050240345等。
  3. 得到doing和todo集合:
    1. task_jdjr:1489050240345:crawler:doing: 192.168.0.1
    2. task_jdjr:1489050240345:crawler:todo
  4. 将doing中的数据全部移动到todo中。

 

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。

 

版权声明:本文为tuohai666原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://www.cnblogs.com/tuohai666/p/8939637.html