分布式多爬虫系统——架构设计（分布式爬虫优点）
ccwgpt 2024-10-04 13:57 42 浏览 0 评论
前言：
在爬虫的开发过程中，有些业务场景需要同时抓取几百个甚至上千个网站，此时就需要一个支持多爬虫的框架。在设计时应该要注意以下几点：
代码复用，功能模块化。如果针对每个网站都写一个完整的爬虫，那其中必定包含了许多重复的工作，不仅开发效率不高，而且到后期整个爬虫项目会变得臃肿、难以管理。
易扩展。多爬虫框架，这最直观的需求就是方便扩展，新增一个待爬的目标网站，我只需要写少量 必要的内容（如抓取规则、解析规则、入库规则），这样最快 最好。
健壮性、可维护性。这么多网站同时抓取，报错的概率更大，例如断网、中途被防爬、爬到“脏数据”等等。所以必须要做好日志监控，能实时监控爬虫系统的状态，能准确、详细地定位报错信息；另外要做好各种异常处理，如果你放假回来发现爬虫因为一个小问题已经挂掉了，那你会因为浪费了几天时间而可惜的（虽然事实上我个人会不时地远程查看爬虫状态）。
分布式。多网站抓取，数据量一般也比较大，可分布式扩展，这也是必需的功能了。分布式，需要注意做好消息队列，做好多结点统一去重。
爬虫优化。这就是大话题了，但最基本的，框架应该要基于异步，或者使用协程+多进程。
架构简明，要方便以后未知功能模块的添加。
需求如上，说的已经很清楚了。下面介绍一种架构设计，是去年做的了，现在分享一下。具体的代码实现就暂不公开了。
正文：
以下将通过解释两张图来说明架构的设计思想。
框架主要分成两部分：下载器Downloader和解析器Analyzer。Downloader负责抓取网页，Analyzer负责解析网页并入库。两者之间依靠消息队列MQ进行通信，两者可以分布在不同机器，也可分布在同一台机器。两者的数量也是灵活可变的，例如可能有五台机在做下载、两台机在做解析，这都是可以根据爬虫系统的状态及时调整的。
从上图可以看到MQ有两个管道：HTML/JS文件和待爬种子。Downloader从待爬种子里拿到一条种子，根据种子信息调用相应的抓取模块进行网页抓取，然后存入HTML/JS文件这个通道；Analyzer从HTML/JS文件里拿到一条网页内容，根据里面的信息调用相应的解析模块进行解析，将目标字段入库，需要的话还会解析出新的待爬种子加入MQ。
可以看到Downloader是包含User-Agent池、Proxy池、Cookie池的，可以适应复杂网站的抓取。
模块的调用使用工厂模式。
这张图是上张图的另一种表述。
Htmls队列和Seed是队列可以独立分开，甚至数量也可以多开，之间没有联系。完全可以灵活地根据爬虫状态和硬件环境作调整。另外8G的内容可以让Redis作为Seeds队列存放5~8千万个种子。
分布式爬虫非常关键的一点：去重。可以看到多个解析器Analyzer共用一个去重队列，才能够保证数据的统一不重复。去重队列可以放在一台机上。基于Redis实现了Bloomfilter算法（详细见《基于Redis的Bloomfilter去重（附Python代码）》），理论上8G的内存可以满足30亿条URL的去重，如果允许漏失概率再大点的话能去重更多。
结语：
要写一个支持分布式、多爬虫的框架，具体的实现上还是有一定难度的。在实现主要功能以外，还要注意做到代码严谨 规范，爬虫高效 健壮的要求。做完这些以后，你定会成长不少！
写在最后：
码字不易看到最后了，那就点个关注呗，只收藏不点关注的都是在耍流氓！
关注并私信我“架构”，免费送一些Java架构资料，先到先得！
相关推荐
- 自己动手写Android数据库框架_android开发数据库搭建
-
http://blog.csdn.net/feiduclear_up/article/details/50557590推荐理由关于Android数据库操作，由于每次都要自己写数据库操作，每次还得去...
- 谷歌开源大模型评测工具LMEval，打通谷歌、OpenAI、Anthropic
-
智东西编译|金碧辉编辑|程茜智东西5月28日消息，据科技媒体TheDecoder5月26日报道，当天，谷歌正式发布开源大模型评测框架LMEval，支持对GPT-4o、Claude3.7...
- 工信部:着力推动大模型算法、框架等基础性原创性的技术突破
-
工信部新闻发言人今日在发布会上表示，下一步，我们将坚持突出重点领域，大力推动制造业数字化转型，推动人工智能创新应用。主要从以下四个方面着力。一是夯实人工智能技术底座。通过科技创新重大项目，着力推动大模...
- 乒乓反复纠结“框架不稳定”的三个小误区
-
很多球友由于对框架的认知不清晰，往往会把“框架不稳定”当成一种心理负担，从而影响学球进度，其典型状态就是训练中有模有样，一旦进入实战，就像被捆住了手脚。通过训练和学习，结合“基本功打卡群”球友们交流发...
- 前AMD、英特尔显卡架构师Raja再战GPU，号称要全面重构堆栈
-
IT之家8月5日消息，知名GPU架构师拉贾科杜里(RajaKoduri)此前曾先后在AMD和英特尔的显卡部门担任要职。而在今日，由Raja创立的GPU软件与IP初创企...
- 三种必须掌握的嵌入式开发程序架构
-
前言在嵌入式软件开发，包括单片机开发中，软件架构对于开发人员是一个必须认真考虑的问题。软件架构对于系统整体的稳定性和可靠性是非常重要的，一个合适的软件架构不仅结构清晰，并且便于开发。我相...
- 怪不得别人3秒就知道软考案例怎么做能50+
-
软考高级统一合格标准必须三科都达到45分，案例分析也一直是考生头疼的一门，但是掌握到得分点，案例能不能50+还不是你们说了算吗？今天就结合架构案例考点，分享实用的备考攻略～一、吃透考点，搭建知识框架从...
- UML统一建模常用图有哪些，各自的作用是什么?一篇文章彻底讲透
-
10万+爆款解析：9大UML图实战案例，小白也能秒懂！为什么需要UML？UML（统一建模语言）是软件开发的“蓝图”，用图形化语言描述系统结构、行为和交互，让复杂需求一目了然。它能：降低沟通成本避...
- 勒索软件转向云原生架构，直指备份基础设施
-
勒索软件组织和其他网络犯罪分子正越来越多地将目标对准基于云的备份系统，对久已确立的灾难恢复方法构成了挑战。谷歌安全研究人员在一份关于云安全威胁演变的报告中警告称，随着攻击者不断改进数据窃取、身份泄露和...
- ConceptDraw DIAGRAM:释放创意，绘就高效办公新未来
-
在当今数字化时代，可视化工具已成为提升工作效率和激发创意的关键。ConceptDrawDIAGRAM，作为一款世界顶级的商业绘图软件，凭借其强大的功能和用户友好的界面，正逐渐成为众多专业人士的首选绘...
- APP 制作界面设计教程:一步到位_app界面设计模板一套
-
想让APP界面设计高效落地，无需繁琐流程，掌握“框架搭建—细节填充—体验优化”三步法，即可一步到位完成专业级设计。黄金框架搭建是基础。采用“三三制布局”：将屏幕横向三等分，纵向保留三...
- MCP 的工作原理:关键组件_mcp部件
-
以下是MCP架构的关键组件：MCP主机：像ClaudeDesktop、GitHubCopilot或旅行助手这样的AI智能体，它们希望通过MCP协议访问工具、资源等。MCP主机会...
- 软件架构_软件架构师工资一般多少
-
软件架构师自身需要是程序员，并且必须一直坚持做一线程序员。软件架构应该是能力最强的一群程序员，他们通常会在自身承接编程任务的同时，逐渐引导整个团队向一个能够最大化生产力的系统设计方向前进。软件系统的架...
- 不知不觉将手机字体调大!老花眼是因为“老了吗”?
-
现在不管是联系、交友，还是购物，都离不开手机。中老年人使用手机的时间也在逐渐加长，刷抖音、看短视频、发朋友圈……看手机的同时，人们也不得不面对“视力危机”——老花眼，习惯眯眼看、凑近看、瞪眼看，不少人...
- 8000通用汉字学习系列讲座(第046讲)
-
[表声母字]加(续)[从声汉字]伽茄泇迦枷痂袈笳嘉驾架咖贺瘸(计14字)嘉[正音]标准音读jiā。[辨形]上下结构，十四画。会意形声字，从壴从加，加也表声。注：从壴，字义与鼓乐有关；从加，字义与...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- 框架图 (58)
- flask框架 (53)
- quartz框架 (51)
- abp框架 (47)
- springmvc框架 (49)
- 分布式事务框架 (65)
- scrapy框架 (56)
- shiro框架 (61)
- 定时任务框架 (56)
- java日志框架 (61)
- mfc框架 (52)
- abb框架断路器 (48)
- beego框架 (52)
- java框架spring (58)
- grpc框架 (65)
- tornado框架 (48)
- 前端框架bootstrap (54)
- orm框架有哪些 (51)
- 知识框架图 (52)
- ppt框架 (55)
- 框架图模板 (59)
- 内联框架 (52)
- cad怎么画框架 (58)
- ssm框架实现登录注册 (49)
- oracle字符串长度 (48)