分布式爬虫架构
社交通联工具的高并发分布式爬虫系统架构研究与设计
社交通联工具的高并发分布式爬虫系统架构研究与设计发布时间：2021-05-14T05:36:16.152Z 来源：《现代电信科技》2020年第17期作者：陈文萱[导读] 并设计一套针对社交通联工具的分布式爬虫任务调度框架，来解决以往的传统爬虫架构无法满足当下需求的难题。
（公安部第三研究所 928实验室上海市 201204）摘要：在目前的互连网络环境下，人与人之间的沟通愈来越紧密，工业界也衍生出一些社交通联工具，在通联工具中人们可以互相通过公共群组进行社交沟通、而我们可以通过爬取人们在公共群组中的聊天消息来进行进一步的自然语言机器学习、大数据语义分析、舆论风向分析等。
而我们要爬取人们在公共群组中的聊天是相对于一般传统网络爬虫的uri任务要更加频繁的进行网络交互，同时这就带来了以往的爬虫架构不足以满足聊天信息的爬取的需求的问题。
本文通过研究数据库性能、比对各数据库实际应用场景下的能力表现、并设计一套针对社交通联工具的分布式爬虫任务调度框架，来解决以往的传统爬虫架构无法满足当下需求的难题。
关键词：分布式；爬虫；高并发1 引言本文主要探讨的是如何把人们的自然文本语言给抓取下来保存入库，所以本文会通过研究探讨数据库选型、数据库设计、爬虫程序系统架构设计的思路来进行针对社交通联工具的高并分布式爬虫的系统架构研究与设计。
[1~4]2 数据库选型要开发一个拥有分布式以及高并发爬取能力的爬虫系统、对于数据库、任务队列的并发读写速度性能表现会要求很高。
2.1 Redis数据库Redis是一款高性能内存数据库，因为他属于纯内存数据库，一般平时都只是简单的存取操作，线程占用时间很多，时间主要花费集中在I/O上，所以读写速度非常快、可以作为本套爬虫系统的关键性中间件：任务队列来使用。
2.2 TiDB数据库TiDB的SQL实质上是MySQL语法的一个完全子集，如果业务没有用到MySQL的内建函数和外键约束的话基本可以平滑迁移，只需要对部分SQL根据TiDB架构特性进行优化如果重度应用MySQL的系统存在某些TiDB不支持的函数，那么这部分功能需要应用端实现总体上来讲，DRDS的应用改造成本主要集中在业务数据拆分上，以及由于数据拆分带来的业务应用重构；TiDB由于自身架构原生支持分片所以不存在数据拆分问题，应用重用主要由于对MySQL的私有内建函数依赖重。
scrapy-redis基本原理
scrapy-redis基本原理Scrapy-Redis是一个基于Scrapy框架的分布式爬虫解决方案，它利用了Redis作为分布式数据存储和消息队列，以实现多台机器上的爬虫协同工作。
在这篇文章中，我们将介绍Scrapy-Redis的基本原理和工作流程。
Scrapy-Redis的基本原理可以分为以下几个部分：1. 分布式爬虫架构，Scrapy-Redis利用了Redis的分布式特性，将爬虫的URL队列和爬取结果存储在Redis中，从而实现了多台机器上的爬虫协同工作。
这种架构可以大大提高爬取效率和可扩展性。
2. 基于Redis的队列管理，Scrapy-Redis使用Redis作为URL队列的存储和管理工具。
当一个爬虫节点需要获取新的URL进行爬取时，它会从Redis中的队列中取出URL进行处理。
这样不同的爬虫节点可以共享同一个URL队列，实现了分布式的URL调度。
3. 基于Redis的去重过滤，Scrapy-Redis还利用了Redis的集合数据结构来实现URL的去重过滤。
当一个URL被爬取过后，它会被加入到Redis的集合中，下次再遇到相同的URL时就会被过滤掉，避免重复爬取相同的页面。
4. 分布式爬虫的协同工作，Scrapy-Redis通过Redis的发布订阅功能实现了爬虫节点之间的通信和协同工作。
当一个爬虫节点获取到新的URL进行爬取后，它会将爬取结果发布到Redis的频道中，其他节点可以订阅该频道获取爬取结果，从而实现了分布式爬虫的协同工作。
总的来说，Scrapy-Redis利用了Redis的分布式特性和高效的数据结构，实现了一个高效的分布式爬虫解决方案。
它的基本原理包括分布式爬虫架构、基于Redis的队列管理、基于Redis的去重过滤和分布式爬虫的协同工作。
通过这些原理的应用，Scrapy-Redis可以实现高效的分布式爬取，并且具有良好的可扩展性和可维护性。
爬虫开发中如何处理网站的WAF防御机制
爬虫开发中如何处理网站的WAF防御机制在当今数字化的时代，爬虫技术在数据收集和分析方面发挥着重要作用。
然而，许多网站为了保护自身的安全和数据隐私，部署了 WAF （Web 应用防火墙）防御机制。
这给爬虫开发者带来了不小的挑战。
那么，在爬虫开发中，我们应该如何有效地处理网站的 WAF 防御机制呢？首先，我们需要了解 WAF 是什么以及它是如何工作的。
WAF 就像是网站的“保镖”，它位于网站服务器之前，对所有传入的 HTTP 请求进行检查和过滤。
WAF 会根据一系列预设的规则和策略，来判断请求是否合法。
如果它认为某个请求存在潜在的威胁，比如可疑的IP 地址、异常的请求频率、非法的请求参数等，就会阻止该请求，甚至可能对发起请求的 IP 进行封禁。
当我们进行爬虫开发时，很容易触发 WAF 的防御机制。
常见的原因包括：请求频率过高、请求头信息异常、使用了被封禁的IP 地址等。
为了避免触发 WAF，我们可以从以下几个方面入手。
控制请求频率是至关重要的一点。
大多数网站对于正常用户的访问频率都有一个合理的预期范围。
如果我们的爬虫发送请求的速度过快，远远超过了这个范围，就很容易被 WAF 识别为恶意行为。
因此，我们需要根据目标网站的特点和服务器负载能力，合理设置爬虫的请求间隔。
可以通过模拟人类的访问行为，比如在请求之间添加随机的等待时间，来降低请求的频率。
另外，注意请求头的设置也是必不可少的。
请求头中包含了很多关于客户端的信息，比如用户代理（UserAgent）、Referer 等。
如果我们的爬虫使用了不常见或者异常的请求头信息，也可能引起 WAF 的警觉。
为了避免这种情况，我们可以将爬虫的请求头设置为常见的浏览器或移动设备的信息，让 WAF 认为我们的请求是来自正常的用户。
IP 地址的管理也是处理 WAF 防御机制的关键。
如果我们使用同一个 IP 地址频繁发送请求，很容易被 WAF 封禁。
为了解决这个问题，我们可以使用代理服务器或者 IP 池。
Python基础与大数据应用 第八章 Python爬虫框架
Scrapy项目命令
项目命令需要在有Scrapy项目的情况下，这些命令才能运行。项目命令主要有以下几个： crawl check list edit parse deploy genspider
Scrapy项目命令
crawl命令 语法: scrapy crawl <spider> 功能：运行Scrapy项目，使用spider进行爬取。 应用示例：【scrapy crawl pyscr】 check命令 语法: scrapy check [-l] <spider> 功能：运行contract检查。 应用示例：【scrapy check –l】
创建一个Scrapy项目
【tree】命令查看项目结构，pyscr项目中包含如图所示内容
pyscr项目内容： scrapy.cfg: 项目配置文件 pyscr/: 项目Python模块, 代码将从这里导入 pyscr/items.py: 项目items文件 pyscr/middlewares.py：定义spider中间件和downloader中间件 pyscr/pipelines.py: 项目管道文件 pyscr/settings.py: 项目设置文件 pyscr/spiders: 放置Spider的目录
第八章 Python爬虫框架
目录
Contents
01
03
02
常见爬虫 Scrapy
框架
安装
Scrapy爬 虫框架
05
07
04
06
Scrapy常用 Scrapy爬 项目训练 工具命令 虫实战
小结
01
常见爬虫框架
常见爬虫框架
Scrapy Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化
基于Hadoop的分布式爬虫及其实现
基于Hadoop的分布式爬虫及其实现引言随着互联网的快速发展和信息的爆炸式增长，大数据时代已经来临。
海量的数据涌入网络，并形成了一个巨大的信息资源库。
如何有效地从这个海洋中提取有价值的信息，成为了当今互联网领域面临的重要挑战之一。
为了应对这一挑战，分布式爬虫技术应运而生。
本文将介绍基于Hadoop的分布式爬虫的实现过程及其优势。
一、分布式爬虫的背景与意义1.1 现有的爬虫技术传统的爬虫技术主要是基于单机环境下的串行爬虫，即一个爬虫程序在一个机器上运行，通过遍历链接、下载网页并解析的方式进行信息抓取。
然而，在处理大规模的数据量时，单机环境面临着许多挑战，如性能瓶颈、系统崩溃等。
1.2 分布式爬虫的优势与应用分布式爬虫依赖于分布式计算框架，如Hadoop，将爬取任务进行拆分，通过多个爬虫节点并行执行，大大提高了爬取效率。
同时，分布式爬虫还能够充分利用多个计算节点的存储资源，提高数据的采集速度和处理能力。
因此，分布式爬虫在大规模数据挖掘、搜索引擎优化等领域具有广泛的应用前景。
二、基于Hadoop的分布式爬虫的实现步骤2.1 爬虫任务的拆解与调度在分布式爬虫中，首先需要将爬取任务进行拆分，分配给多个爬虫节点。
如何进行任务的拆解与调度是整个分布式爬虫实现的重要环节。
Hadoop的MapReduce框架提供了良好的任务调度机制，可以将爬取任务拆解成独立的Map任务，再通过Reduce任务进行合并和处理。
2.2 爬虫节点的配置与管理在分布式爬虫中，每个爬虫节点都需要配置相应的设备和环境。
常见的配置包括网络代理、数据存储路径、爬取深度等。
此外，还需要对爬虫节点进行管理和监控，确保节点的正常工作和性能优化。
2.3 数据的采集与清洗数据的采集是分布式爬虫的核心步骤之一。
在分布式爬虫中，不同的爬虫节点负责采集不同的数据片段，并将采集结果通过消息队列等方式传递给中心节点。
中心节点进行数据的合并和清洗，去除重复数据和无效信息，得到最终的爬取结果。
Nutch爬虫
Nutch搜索引擎简介Nutch 是一个基于Java 实现的开源搜索引擎，其内部使用了高性能全文索引引擎工具Lucene。
从nutch0.8.0开始，Nutch 完全构建在Hadoop 分布式计算平台之上。
Hadoop 除了是一个分布式文件系统外，还实现了Google 的GFS 和MapReduce 算法。
因此基于Hadoop 的Nutch 搜索引擎可以部署在由成千上万计算机组成的大型集群上。
由于商业搜索引擎允许竞价排名，这样导致索引结果并不完全是和站点内容相关的，而Nutch 搜索结果能够给出一个公平的排序结果，这使得Nutch 在垂直搜索、档案互联网搜索等领域得到了广泛应用。
背景知识Nutch 搜索引擎是一个基于Java 的开放源代码的搜索引擎。
Nutch 搜索引擎处理流程包括抓取流程和搜索流程，如图1 所示。
相应地Nutch 也分为2部分，抓取器和搜索器。
在抓取流程中，抓取器也叫蜘蛛或者机器人，以广度优先搜索（BFS）的方式从企业内部网或者互联网抓取网页。
这个过程涉及到对CrawlDB 和LinkDB 数据库的操作。
然后Nutch 解析器开始解析诸如HTML、XML、RSS、PDF等不同格式的文档。
最后Nutch 索引器针对解析结果建立索引并存储到indexDB 和SegmentsDB 数据库中，以供搜索器搜索使用。
在搜索流程中，搜索应用使用输入关键词调用Nutch 搜索接口（Nutch Query Interface）。
应用可通过网页上的输入框输入相应关键词。
搜索接口解析搜索请求为Lucene 全文检索引擎可以识别的格式。
Nutch 索引器将会调用Lucene 引擎来响应请求在indexDB 上展开搜索。
最后搜索接口收集从索引器返回的URL、标题、锚和从SegmentsDB 返回的内容。
所有上述内容将被提供给排序算法进行排序。
排序完成后，搜索接口将返回命中的搜索结果。
由于构建在Hadoop 分布式文件系统之上，Nutch 对CrawlDB, LinkDB, SegmentsDB 和IndexDB 数据库的操作都是通过调用M/R(map/reduce) 函数完成的。
Python网络爬虫在电子商务中的应用与优化
Python网络爬虫在电子商务中的应用与优化Python网络爬虫在电子商务中的应用越来越广泛。
随着互联网技术的不断发展和电子商务市场的蓬勃发展，企业需要获取大量的数据来进行市场分析、产品调研、竞争对手监测等。
本文将介绍Python网络爬虫在电子商务中的主要应用，并探讨如何优化网络爬虫程序以提高效率。
一、电商数据采集1. 价格监测与分析企业在电商平台上销售商品，需要了解市场上同类商品的价格变动情况，以及竞争对手的价格策略。
Python网络爬虫可以定期抓取电商平台上的商品价格数据，并进行分析，帮助企业制定合理的定价策略。
2. 竞争对手分析企业在电子商务市场中需要了解竞争对手的销售策略、促销活动等信息。
通过使用Python网络爬虫，可以获取竞争对手的商品信息、销售数据等，进而进行对比分析，为企业制定更有效的竞争策略提供支持。
3. 用户评论及反馈分析用户对商品的评价和反馈对企业的产品改进和客户服务提升至关重要。
利用Python网络爬虫技术，可以获取电商平台上用户的评论和反馈信息，进行情感分析、关键词提取等，为企业提供有价值的市场反馈。
二、电商数据清洗与处理1. 数据抓取与存储Python网络爬虫可以根据预设规则自动化地抓取电商平台上的商品数据、销售数据等。
通过数据清洗和存储，可以对抓取的数据进行整合和统计，为企业提供参考依据。
2. 数据去重与归类在抓取电商数据时，可能存在重复的数据，这对数据分析和后续处理造成困扰。
通过使用Python网络爬虫技术，可以对抓取的数据进行去重和归类，确保数据的准确性和完整性。
3. 数据分析与挖掘抓取到的大量电商数据需要进行进一步的分析和挖掘。
利用Python的数据分析库和机器学习算法，可以对电商数据进行深入分析，从中挖掘出有价值的信息和规律，为企业决策提供支持。
三、网络爬虫程序的优化1. 使用多线程/多进程在大规模数据的抓取过程中，使用单线程的网络爬虫效率往往较低。
通过采用多线程或多进程的方式，可以提高爬虫程序的并发处理能力，加快数据的抓取速度。
基于Scrapy的分布式爬虫系统的设计与实现
基于Scrapy的分布式爬虫系统的设计与实现李代祎;谢丽艳;钱慎一;吴怀广【摘要】随着互联网的快速发展,其信息量和相关服务也随之快速增长.如何从海量的信息中快速、准确地抓取所需要的信息变得越来越重要,因此负责互联网信息收集工作的网络爬虫将面临着巨大的机遇和挑战.目前国内外一些大型搜索引擎只给用户提供不可制定的搜索服务,而单机的网络爬虫又难当重任,因此可定制性强、信息采集速度快和规模大的分布式网络爬虫便应运而生.通过对原有Scrapy框架的学习和研究,将Scrapy和Redis结合改进原有的爬虫框架,设计并实现了一个基于Scrapy框架下的分布式网络爬虫系统,然后将从安居客、58同城、搜房等网站抓取的二手房信息存入MongoDB中,便于对数据进行进一步的处理和分析.结果表明基于Scrapy框架下的分布式网络爬虫系统同单机网络爬虫系统相比效率更高且更稳定.【期刊名称】《湖北民族学院学报（自然科学版）》【年(卷),期】2017(035)003【总页数】6页(P317-322)【关键词】Scrapy;分布式;Scrapy-Reids;网络爬虫;MongoDB;数据存储【作者】李代祎;谢丽艳;钱慎一;吴怀广【作者单位】郑州轻工业学院计算机与通信工程学院,河南郑州 450002;河南省工商行政管理学校,河南郑州 450002;郑州轻工业学院计算机与通信工程学院,河南郑州 450002;郑州轻工业学院计算机与通信工程学院,河南郑州 450002【正文语种】中文【中图分类】TP3互联网中的信息量随着互联网的迅速发展而越来越多,在2008年Google公司宣布他们检索到的网页已经超过了1万亿,然而其检索到的网页仅仅是互联网上的一部分而已[1],如何从大量的信息中挖掘出有用的信息就成了当今的热门问题,搜索引擎也正是在这种需求下而诞生的技术.搜索引擎是通过网络爬虫从互联网中挖掘大量需求信息,然后网络爬虫将这些信息存储在数据库中,以便将来根据用户需求对其进行处理,它用到人工智能、信息检索、计算机网络、数据库、分布式处理、数据挖掘、机器学习和自然语言处理等多领域的理论技术,具有很强的综合性和挑战性[2-3].目前国内外在网络爬虫领域已经有了很多研究,例如,爬行策略、海量数据存储、海量数据索引、网页评级等.但是较为成熟的大型网络爬虫只能为用户提供不可定制的搜索服务,且很多网络爬虫的技术都被列为商业机密,不对外开放.在开源爬虫方面,例如,Larbin、Nutch、heritrix等已经是比较成熟的网络爬虫项目,但是它们大多为单一网络爬虫,并且存在着性能不稳定、用户亲和性较低、对中文支持不足和配置复杂等问题[4-5].因此,部署方便、可定制性高的中小规模分布式网络爬虫取代传统的网络爬虫势不可挡.1.1 网络爬虫网络爬虫(Web Crawler)是一种按照一定规则在互联网上自动获取处理网页的计算机程序,其广泛地应用于互联网搜索引擎或网页缓存管理中[6].简单来讲,URL资源存放在一个队列中,此队列负责URL资源的优先级管理.首先网络爬虫从队列中获取一个 URL资源并下载此网页,然后提取该网页中的其它URL 资源并放入队列中.重复上述过程,直到爬虫将其关闭[7-8].通用的网络爬虫结构如图1所示.网络爬虫通过不同爬行策略递归的访问页面、保存页面,最终获取所需信息.目前网络爬虫遵守以下4种爬行策略规则[9]:1)选择爬行规则:使用广度优先的爬行策略.一个网络爬虫的目的是抓取互联网中最相关的网页,而不是随机的获取互联网的某些样本网页.2)回访规则:互联网是动态的,互联网中网页的建立、修改和删除等活动在不断进行.然而一个爬虫活动可能持续和长时间,所以爬虫要制定回访规则来访问更新的网页.3)礼貌规则:如果网络爬虫不断抓取同一台服务器上的网页,当请求过多时会造成服务器瘫痪.因此网络爬虫在正常运行的同时也要兼顾服务器的正常运行.4)并行规则:网络爬虫可以通过多线程并发地运行多个爬行进程,通过这样可以极大的降低开销和提高下载效率.1.2 Scrapy-RedisScrapy-Redis[10]是基于Redis的Scrapy分布式组件,其将任务和数据信息的存取放到redis queue中,使多台服务器可以同时执行crawl和items process,从而大大提高了数据爬取和处理的效率.其功能为:①多个爬虫共享一个redis queue 队列,适合大范围、多域名的爬虫集群.②爬取的items存放到items redis queue队列,可以开启多个items process来处理爬取的数据.Scrapy-Redis各个组件之间的关系如图2所示.1.3 数据存储NoSQL由于网络爬虫爬取的数据大多为半结构化或非结构化的数据,并且传统的关系型数据库并不擅长存储和处理此类数据.因此选择非关系型数据库 NoSQL 存储爬取到的数据.NoSQL 数据库大致分为4类[11]:1)键值(Key-Value)存储数据库:Key-Value模型对于IT系统来说的优势在于简单、易部署.例如:Tokyo Cabinet/Tyrant,Redis,Voldemort,Oracle BDB.2)列存储数据库:此类数据库通常是针对海量的数据实施分布式存储.键仍然存在且指向了多个列.如:Cassandra,HBase,Riak.3)文档型数据库:此类型的数据模型使版本化和半结构化的文档以特定的格式存储,例如,JSON.文档型数据库的查询效率比较高,如:CouchDB,MongoDb,SequoiaDB.4)图形(Graph)数据库:图形结构的数据库是使用灵活的图形模型,并且该模型能够扩展到多个服务器上.如:Neo4J,InfoGrid,Infinite Graph.2.1 Scrapy框架研究2.1.1 Scrapy框架如图2所示,Scrapy 框架的模块组成有[12-14]:1)Scrapy引擎(Scrapy Engine):负责调控数据在系统中各个模块间传递,以及调用相应的函数响应特定的事件.2)调度器模块(Scheduler):负责对所有待爬取的 URL资源进行统一管理.例如,将接收 Scrapy 引擎提交的URL资源插入到请求队列中;将URL从队列中取出并发送给Scrapy引擎以响应Scrapy引擎发出的URL 请求.3)下载器中间件模块(Downloader Middlewares):负责传递Scrapy引擎发送给下载器模块的URL请求和下载器模块发送给 Scrapy 引擎的HTTP 响应.a)下载器模块(Downloader):负责下载Web 页面上的数据,并最终通过Scrapy 引擎将其发送给爬虫模块.b)爬虫模块(Spider):分析从下载器模块获取到的数据,然后提取出Item 或得到相关的URL资源.c)爬虫中间件模块(Spider Middlewares):负责处理爬虫模块的输入和输出.d)数据流水线模块(Item Pipeline):通过数据清理、数据验证、数据持久化等操作来处理由爬虫模块提取和发送过来的Item.2.1.2 Scrapy框架扩展 Scrapy框架简单、高效,且被广泛应用于数据的挖掘、监测和自动测试.但是Scrapy框架也存在不足,例如,Scrapy框架下的爬虫不支持分布式、单线程执行、内存消耗过大等.因此深入理解Scrapy框架的扩展机制,通过编程来替换或增加框架中的一些模块来弥补其不足是十分必要的.本文对Scrapy框架做了如下补充:1)本文利用Scrapy-Redis通过redis对爬取的请求进行存储和调度,并对爬取产生的项目(items)存储以供后续处理使用.Scrapy-Redis的组件如下[15-16].a)Connection.py:对settings进行配置,实现通过Python访问redis数据库,被dupefilter和scheduler调用,涉及到redis存取的都要使用到这个模块.b)dupefilter.py:使用redis的set数据结构对reqeust进行去重处理.c)queue.py:将request存入到queue中,调度时再将其弹出.目前队列的调度有三种方式:FIFO(先入先出)的SpaiderQueue,SpiderPriorityQueue和LIFO(后入先出)的SpiderStack.本文用的是第二种方式.d)pipelines.py:将Item存储在redis中以实现分布式处理.e)scheduler.py:重写scrapy中的调度模块,实现crawler的分布式调度.f)spider.py:重写scrapy中的爬虫模块,从redis数据库的队列中读取要爬取的url,然后执行爬取.若爬取过程中有其它的url返回,继续执行爬虫直到所有的request 完成后,再从队列中读取url,循环上述过程.通过分析可得,Scrapy-Redis各个组件之间的关系如图3所示.2)单机硬盘与内存容量有限、数据的频繁查询是造成了CPU性能的严重下降的主要原因,因此数据库的选择显的尤为重要.由于网络爬虫爬取的数据大多数为非结构化的数据,因此本文选取擅长存取非结构化数据的数据库MongoDB[17-18].经过扩展后的Scrapy框架如图4所示.2.2 反爬虫技术应对策略目前很多网站禁止爬虫爬取数据,网站通过用户请求的Headers、用户行为、网站目录和数据加载等方式来进行反爬虫,从而增大爬取的难度.本爬虫主要采取了以下应对策略:1)设置download_delay参数. 如果下载等待时间过长,则短时间大规模抓取数据的任务将不能完成,而太短则会增加被禁止爬取数据的概率.因此在settings.py中设置:DOWNLOAD_DELAY = 2.2)禁用cookies,可以防止爬虫行为被使用cookies识别爬虫轨迹的网站所察觉,因此需要在settings.py 中设置:COOKIES_ENABLES=False.3)伪装user agent,防止被服务器识别,将user agent 写入rotate_useragent.py 文件里形成user-agent池,在发送请求时会从user-agent池中随机选取一个使用.因此需要在settings.py中设置:DOWNLOADER_MIDDLEWARES={′scrapy.contrib.downloadermiddleware.u erAgentMiddle ware′ :None,′HouseInfoSpider.spiders.rotate_useragent.RotateUserAgentMiddleware′ :4 00,}2.3 数据爬取与存储2.3.1 网页结构和数据分析通过对网页HTML结构进行分析,从而完成爬虫模块的编写.本爬虫的URL队列中有3种类型的URL,以安居客的网页结构为例进行分析.该网页中所包含数据的节点是class=”houselist-mod”的<ul>节点,该节点下的<li>节点有50个,每个<li>节点中包含有需要提取的目标数据,即index类型的URL.Scrapy提取数据使用特定的 XPath 表达式来提取 HTML 网页中的数据,伪代码如下所示:def parse_detail(self,response):item = HouseInfoItem()selector = scrapy.Selector(response)item[′url′] = response.urlitem[′village_title′]= #标题list_first_item(selector.xpath(′//h3[@class ="long-title"][1]/text()′).extract()).strip() }(……)item[′village_describe′]= #描述list_first_item(selector.xpath(′//div[@class="houseInfoV2-item-descjs-house-explain"]/text()′).extract()).replace("\n","").replace("\t","").replace("","").strip() yield item从网站上获得数据followers、fullname等在Item中统一建模.相应代码在items.py中:import scrapyclass HouseInfoItem(scrapy.Item):url=scrapy.Field() #当前网页的urlvillage_name=scrapy.Field() #小区名village_location=scrapy.Field() #位置village_area=scrapy.Field() #面积(……)2.3.2 数据库连接和参数设置在settings.py文件中设置MongoDB的相应参数:服务器、端口号、数据库,然后在指定的位置添加数据库设置:#MongoDBMONGO_URI=′mongodb://127.0.0.1:27017′MONGO_DATABASE = ′HouseInfo′#改变默认PIPELNESITEM_PIPELINES={′HouseInfoSpider.pipelines.MongoPipeline′:300,′scrapy_r edis.pipelines.Redi sPipeline′:400,}在pipelines.py文件中定义一个函数连接数据库:#数据库初始化Class MongoDBPipeline(object):hp_collection_name = ′house_info′def_inir_(sef,mongo_uri,mongo_db)(……)#数据库连接def open_spider(self,spider):self.client=pymongo.MongoClient(self.mongo_uri)self.db = self.client[self.mongo_db]#将数据存入到数据库中def process_item(self,item,spider):if isinstance(item,HouseInfoItem):key_index = item[′url′]if not self.db[self.hp_collection_name] .find({′url′:key_index}).count(): self.db[self.hp_collection_name].insert(dict(item))return item3.1 实验结果Ipush.py文件中将要爬取的原始网站url存入redis数据库的队列中,然后通过scrapy crawlall命令执行爬虫,最后将爬取的数据存入MongoDB中.爬取结果显示如图5所示.3.2 结果分析整个系统的部署:1台安装有redis和MongoDB数据库的服务器作为爬虫的主节点;1台安装有MongoDB数据库的服务器作为爬虫从节点;1台安装有MongoDB 数据库的单独服务器.硬件配置如表1所示.实验测试中,为了防止爬虫行为被禁止,将最高爬取频率设置为2秒/网页,系统运行5个小时(单机爬取和分布式爬取选在同一时段),其爬取结果如表2所示.通过分析表2中的数据可知,每个节点每小时爬取的网页数量在1 700左右.为了防止爬虫被禁止,爬虫的最高频率设置为2秒/网页.由于受网络延迟、I/O延迟等的限制,每小时爬取的网页数量略低于理论上最高值1 800(60*60/2=1 800).另外,2个爬虫节点每小时爬取url的数量几乎接近1∶1,这也证明了系统中各个爬虫节点的负载均衡.同时运行结果也表明,经过扩展的Scrapy框架使得爬取速度大大提高了. 根据表2中数据,利用Matlab可得到图6的线形图.图6中每条线的斜率就代表其爬虫的爬取效率.从图6中可以看出一个节点进行爬取时的效率要远远低于两个节点同时爬取时的效率.综上所述分布式爬虫爬取的效率远高于单机爬虫.本文通过对开源网络爬虫Scrapy框架的深入研究和扩展,利用Scrapy-redis组件之间的相互作用,设计和实现了一个分布式的网络爬虫系统;通过与数据库的连接,将爬取的数据存入MongoDB中,便于对数据进行查询、统计和分析;同时在技术上也为数据研究人员提供了方便的数据获取方法. 但是本文只对URL进行了去重处理,并没有考虑节点爬取的负载均衡问题,同时爬取过程中网页被重置问题目前也没有好的解决办法,这些问题需要进一步的探索研究.【相关文献】[1] VLADISLAV Shkapenyuk,TORSTEN Suel.Desigen and Imlementation of a High-Performance Distributed Web Crawler.Technical Report,In Proceedings of the 18th International conference on Data Engineering(ICDE)[C]∥IEEE CS Press,2001:357-368. [2] 薛丽敏,吴琦,李骏.面向专用信息获取的用户定制主题网络爬虫技术研究[J].信息网络安全,2017(2):28-31.[3] 王素华.基于网络爬虫技术的学生信息收集方法[J].电脑迷,2016(3):89-92.[4] HANS Bjerkander,ERIK Karlsson.Distributed Web-Crawler[D].Master Thesis Chalmers University of Technology,2013:1-2.[5] 郭涛,黄铭钧.社区网络爬虫的设计与实现[J].智能计算机与应用,2012(4):78-92.[6] 董日壮,郭曙超.网络爬虫的设计与实现[J].电脑知识与技术,2014(17):201-205.[7] JUNGHOO Cho,HECTOR Garcia-Molina.Parallel crawlers[C]∥Of the 11th International World-Wide Web Conference,2002:32-35.[8] 李勇,韩亮.主题搜索引擎中网络爬虫的搜索策略研究[J].计算机工程与科学,2008(3):42-45.[9] 黄聪,李格人,罗楚.大数据时代下爬虫技术的兴起 [J].计算机光盘软件与应用,2013(17):79-80.[10] 赵鹏程.分布式书籍网络爬虫系统的设计与现[D].成都:西南交通大学,2014.[11] MOHR G,STACK M,RNITOVIC I,et al.Introduction to heritrix [C]∥4th International Web Archiving Workshop,2004:109-115.[12] CATTELL R.Scalable SQL and NoSQL data store [J].ACM SIGMOD Record,2011(2):12-27.[13] 刘学.分布式多媒体网络爬行系统的设计与实现 [D].武汉:华中科技大学,2012:10-25.[14] 李贤芳.面向作战系统应用的数据分发中间的研究与设计[D].南京:南京理工大学,2013.[15] THELWALl M.A web crawler design for data mining[J].Journal of Information Science,2001,27(5):319-325.[16] 徐亦璐.基于多线程的网络爬虫设计与实现[J].计算机光盘软件与应用,2011(2):152-152.[17] 王劲东.基于高级数据加密标准 AES 的数据库加密技术研究与实现[D].西安:西安电子科技大学,2011.[18] 雷德龙,郭殿升,陈崇成,等.基于MongoDB的矢量空间数据云存储与处理系统[J].地球信息科学学报,2014(4):65-67.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
设计爬虫架构
爬虫架构满足一下功能
(1) 分布式：爬虫应该能够在多台机器上分布执行。
(2) 可伸缩性：爬虫结构应该能够通过增加额外的机器和带宽来提高抓取速度。
(3) 性能和有效性：爬虫系统必须有效地使用各种系统资源，例如，处理器、存储空间和网络带宽。
(4) 可扩展性：为了能够支持新的数据格式和新的抓取协议，爬虫架构应该设计成模块化的形式。
这里最主要的是爬虫和存储库。
其中的爬虫部分阶段性地抓取互联网上的内容。
存储库存储爬虫下载下来的网页，是分布式的和可扩展的存储系统。
在往存储库中加载新的内容时仍然可以读取存储库。
整个爬虫系统可以由一台抓取机器或多个爬虫节点组成。
加载复杂的网页可以选择采用WebKit模拟浏览器处理js渲染页面获取
多机并行抓取的分布式系统节点之间的通信和调度，在一个爬虫节点上实现并行抓取，可以考虑多线程同步I/O或者单线程异步I/O。
多线程爬虫需要考虑线程之间的同步问题。
对单线程并行抓取来说，异步I/O是很重要的基本功能。
解析流程
(1)通过基于正则,Xpath.Csspath等规则,获取页面指定位置的html或文本数据
(2)按照数据格式需求,判断必要值是否存在,并根据类型判断数据正确
(3)通过验证的数据进入到数据入队的缓存队列等待存入数据仓库
(4)如果数据验证不通过,则将异常的url返回到待抓取URL集合中重新抓取
关键节点数据说明
(1)Web配置界面:可在界面增加爬取的种子入口,入库规则,URL过滤规则
(2)控制节点:负责将URl集合中的待爬地址分发到多个工作节点以便并发的执行爬取工作
(3)工作节点:根据待爬的URL信息和对应的种子规则获取页面并解析出数据,并根据抓取的页面获取相关联的需要爬取的URL信息,加入到URL集合中等待爬取.
(4)解析页面:根据种子提供的解析规则抽取,并验证数据的入库合法性,通过则存入入库缓冲队列中,如果发现有异常,则返回当前URL到URL集合中重新爬取
URL集合
Url集合中的数据项,除了抓取的url本身外,额外带有流程中各环节处理结果的数据信息,如:解析异常,会增加url项中的解析异常次数,以便在后面的逻辑中控制重试次数(还有更新次数,最近成功更新时间....)
节点配置
根据系统的规模和数据抓取量的大小,在数据存储DB这块,可以根据实际情况采用mongo,hbase或其它的数据库,以达到系统存储的可伸缩性
URL扭转的消息队列也可以根据系统规模,如1亿条数据缓存采用ssdb,如果需要性能更好可以采用kafka分布式的消息队列,以便可以方便的扩展系统运行规模.
爬虫平台监控需要实现功能
(1)爬虫运行状态监控
a)爬虫定时发送心跳包,监控平台根据心跳包,监控爬虫的运行状态
(2)爬虫采集量监控
a)对爬虫爬取数据的总量的统计
(3)爬虫采集速度监控/秒/分/时根据规模需求而定
a)/秒/分/时根据规模需求而定
(4)定时邮件发送运行状态和统计信息
a)定时发送,爬虫运行的情况和爬取数据总量。