快速構建實時抓取集羣

定義：

首先，我們定義一下定向抓取，定向抓取是一種特定的抓取需求，目標站點是已知的，站點的頁面是已知的。本文的介紹裏面，主要是側重於如何快速構建一個實時的抓取系統，並不包含通用意義上的比如鏈接分析，站點發現等等特性。

在本文提到的實例系統裏面，主要用到linux+mysql+redis+django+scrapy+webkit，其中scrapy+webkit作爲抓取端，redis作爲鏈接庫存儲，mysql作爲網頁信息存儲，django作爲爬蟲管理界面，快速實現分佈式抓取系統的原型。

名詞解析：

1.  抓取環：抓取環指的是spider在存儲中獲取url，從互聯網上下載網頁，然後將網頁存儲到數據庫裏面，最後在從存儲裏面獲取下一個URL的一個流程。
2.  Linkbase：鏈接庫的存儲模塊，包含一般的鏈接信息；是抓取系統的核心，使用redis存儲。
3.  XPATH：一門在 XML 文檔中查找信息的語言，XPath 可用來在 XML 文檔中對元素和屬性進行遍歷， 是 W3C XSLT 標準的主要元素。使用XPATH以及相關工具lib進行鏈接抽取和信息抽取。
4.  XPathOnClick：一個chrome的插件，支持點擊頁面元素，獲取XPATH路徑，用於編輯配置模板。
5.  Redis：一個開源的KV的內存數據庫，具備很好的數據結構的特徵和很高的存取性能。用於存儲linkbase信息
6.  Django：爬蟲管理工具，用於模板配置，系統監控反饋。Django在這裏主要是用來管理一個數據庫，使用Admin功能。
7.   Pagebase：頁面庫，主要是存儲網頁抓取的結果，以及頁面抽取的結果，和dump交互，使用mysql實現。
8.    Scrapy：一個開源的機遇twisted框架的python的單機爬蟲，該爬蟲實際上包含大多數網頁抓取的工具包，用於爬蟲下載端以及抽取端。
9.     列表頁：指的商品頁面之外的所有頁面
10.    詳情頁：比如商品B2C的抓取中，特指商品頁面，比如：http://item.tmall.com/item.htm?id=10321272374

系統架構

一：存儲 redis+mysql

鏈接庫（linkbase）是抓取系統的核心，基於性能和效率的考慮，本文采用基於內存的redis和磁盤的mysql爲主，對於linkbase主要是存儲抓取必須的鏈接信息，比如url，anchor，等等；對於mysql，則是存放抓取的網頁，便於後續的抽取和處理。

a)      PageBase：使用Mysql分庫分表，存放網頁，如下圖：

b)     Linkbase     使用Redis集羣，存儲linkbase信息。

幾個基本的數據結構：
1：抓取隊列 (candidate list)
分爲待抓取的url隊列和更新的url隊列；隊列存放urlhash，使用redis的list數據結構，對於新提取的url，push到對應的列表裏面，對於spider抓取模塊，從list pop得到。對於一個站點而言，抓取隊列有兩種類型：列表頁抓取隊列和詳情頁抓取隊列。
2：鏈接庫 (linkbase)
鏈接庫實際上是存儲鏈接信息的DB；Key是urlhash，Value是linkinfo，包含url，purl，anchor，xpath。。。；在redis使用hash存儲，直接存放在redis的裏面。KV鏈接庫，不區分頁面類型。
3：已抓取集合（crawled_set）
已抓取集合指的是當前已經下載的頁面的urlhash，存放已經抓取的網頁，使用redis的set實現，set的key是urlhash，score是時間戳，已抓取集合主要是用來記錄哪一些頁面已經抓取和抓取的時間，用於後續的更新頁面調度以及抓取信息的統計。同抓取隊列一樣，每一個站點有兩種類型的已抓取集合，詳情頁和列表頁

二：調度模塊：

調度模塊是抓取系統的關鍵，調度系統的好壞決定了抓取系統的效率；這塊是主要是在redis linkbase之上的數據結構，主要有抓取隊列、抓取集合、抓取優先級等等數據結構組成；對於一個抓取循環來說：獲取URL，提交到抓取模塊的待抓取隊列，啓動抓取，抓取完成之後對新鏈接進行抽取，最後進入等待抓取的隊列裏面。

調度系統的基本配置：
a)     頻率（間隔多少秒）
b)     各個抓取列表的選取比例：get_detail，mod_detail，get_list，mod_list
鏈接抽取：抽取頁面的鏈接，進行除重，對於新的鏈接，插入到待抓取列表裏
內容抽取：按照模塊的配置XPATH，抽取頁面信息，並寫入到pagebase中。
離線調度：按照更新的比例，從crawled_set裏面，定期選取url進入Mod隊列裏面進行刷新。

三：抓取模塊：

抓取模塊是抓取的必要條件，抓取模塊來說，重要的是應付互聯網上各式的問題，以及如何實現對對方站點的ip平衡，當然，這塊是和調度系統的緊密結合的，對於抓取模塊而言，本文主要使用scrapy工具包裏面的下載模塊。

首先，抓取模塊從linkbase獲取對應站點的抓取url，進行頁面下載，然後將頁面信息寫回到pipeline中，並完成鏈接抽取和頁面抽取，同時調用調度模塊，插入到linkbase和pagebase中。
下載端設計：
IP：每臺機器需要配置多個物理公網IP，下載的時候，隨機選擇一個IP下載
抓取頻度調整：讀取配置文件，按照配置文件的抓取頻率進行選取url

四：配置界面：

配置界面主要是對抓取系統的管理和配置，包括：站點feed、頁面模塊抽取、報表系統的反饋等等。

類似於通用的抓取架構，本文提到的抓取系統架構如下圖：

一個完整的抓取數據流：

1：用戶提供種子URL

2：種子URL進入linkbase中新URL隊列中

3：調度模塊選取url進入到抓取模塊的待抓取隊列中

4：抓取模塊讀取站點的配置文件，按照執行的頻率進行抓取

5：抓取的結果返回到pipeline接口中，並完成連接的抽取

6：新發現的連接在linkbase裏面進行dedup，並push到linkbase的新URL模塊裏面

7：調度模塊選取url進入抓取模塊的待抓取隊列，goto 4

8：end

系統擴展

本文提到的抓取系統，核心是調度和存儲模塊；其中，抓取，存儲，調度都是通過數據進行交互的，因此，模塊之間可以任意平行擴展，對於系統規模來說，只需要平行擴展mysql和redis存儲服務集羣以及抓取集羣即可。當然，簡單的擴展會帶來一些問題：比如垃圾列表頁的泛濫，鏈接庫的膨脹等等問題，這些問題後續在討論吧。

聲明：如有版權問題，請與原文作者聯繫。

原文地址：http://www.searchtb.com/2011/07/%E5%BF%AB%E9%80%9F%E6%9E%84%E5%BB%BA%E5%AE%9E%E6%97%B6%E6%8A%93%E5%8F%96%E9%9B%86%E7%BE%A4.html

<!--EndFragment-->