快速构建实时抓取集群

本文转载自搜淘宝索技术博客，描述了实时抓取集群的架构。其架构中使用Redis做为核心的LinkBase存储，包括了使用List结构来存储抓取队列，使用Hash结构来存储连接表及使用Sorted Sets结构来存储已抓取集合。

注：原文中描述的已抓取集合是使用Set结构来存储，应该是不正确的，NoSQLFan进行了修改，若是修改有问题，欢迎指正。

定义

首先，咱们定义一下定向抓取，定向抓取是一种特定的抓取需求，目标站点是已知的，站点的页面是已知的。本文的介绍里面，主要是侧重于如何快速构建一个实时的抓取系统，并不包含通用意义上的好比连接分析，站点发现等等特性。

在本文提到的实例系统里面，主要用到linux+mysql+Redis+django+scrapy+webkit，其中scrapy+webkit做为抓取端，Redis做为连接库存储，mysql做为网页信息存储，django做为爬虫管理界面，快速实现分布式抓取系统的原型。

名词解析

• 1. 抓取环：抓取环指的是spider在存储中获取url，从互联网上下载网页，而后将网页存储到数据库里面，最后在从存储里面获取下一个URL的一个流程。
• 2. Linkbase：连接库的存储模块，包含通常的连接信息；是抓取系统的核心，使用Redis存储。
• 3. XPATH：一门在 XML 文档中查找信息的语言，XPath 可用来在 XML 文档中对元素和属性进行遍历， 是 W3C XSLT 标准的主要元素。使用XPATH以及相关工具lib进行连接抽取和信息抽取。
• 4. XPathOnClick：一个chrome的插件，支持点击页面元素，获取XPATH路径，用于编辑配置模板。
• 5. Redis：一个开源的KV的内存数据库，具有很好的数据结构的特征和很高的存取性能。用于存储linkbase信息。
• 6. Django：爬虫管理工具，用于模板配置，系统监控反馈。Django在这里主要是用来管理一个数据库，使用Admin功能。
• 7. Pagebase：页面库，主要是存储网页抓取的结果，以及页面抽取的结果，和dump交互，使用mysql实现。
• 8. Scrapy：一个开源的基于twisted框架的python的单机爬虫，该爬虫实际上包含大多数网页抓取的工具包，用于爬虫下载端以及抽取端。
• 9. 列表页：指的商品页面以外的全部页面。
• 10. 详情页：好比商品B2C的抓取中，特指商品页面，好比这里。

系统架构

存储：Redis+mysql

连接库（linkbase）是抓取系统的核心，基于性能和效率的考虑，本文采用基于内存的Redis和磁盘的mysql为主，对于linkbase 主要是存储抓取必须的连接信息，好比url，anchor，等等；对于mysql，则是存放抓取的网页，便于后续的抽取和处理。

a. PageBase：使用Mysql分库分表，存放网页，以下图：

b. Linkbase 使用Redis集群，存储linkbase信息。

几个基本的数据结构

1.抓取队列 (candidate list)

分为待抓取的url队列和更新的url队列；队列存放urlhash，使用Redis的list数据结构，对于新提取的url，push到对应的列 表里面，对于spider抓取模块，从list pop获得。对于一个站点而言，抓取队列有两种类型：列表页抓取队列和详情页抓取队列。

2.连接库 (linkbase)

连接库其实是存储连接信息的DB；Key是urlhash，Value是linkinfo，包含url，purl，anchor，xpath…；在Redis使用hash存储，直接存放在Redis的里面。KV连接库，不区分页面类型。

3.已抓取集合（crawled_set）

已抓取集合指的是当前已经下载的页面的urlhash，存放已经抓取的网页，使用Redis的sorted sets实现，sorted sets的key是urlhash，score是时间戳，已抓取集合主要是用来记录哪一些页面已经抓取和抓取的时间，用于后续的更新页面调度以及抓取信息 的统计。同抓取队列同样，每个站点有两种类型的已抓取集合，详情页和列表页

调度模块

调度模块是抓取系统的关键，调度系统的好坏决定了抓取系统的效率；这块是主要是在Redis linkbase之上的数据结构，主要有抓取队列、抓 取集合、抓取优先级等等数据结构组成；对于一个抓取循环来讲：获取URL，提交到抓取模块的待抓取队列，启动抓取，抓取完成以后对新连接进行抽取，最后进 入等待抓取的队列里面。

调度系统的基本配置：

a) 频率（间隔多少秒）

b) 各个抓取列表的选取比例：get_detail，mod_detail，get_list，mod_list

连接抽取：抽取页面的连接，进行除重，对于新的连接，插入到待抓取列表里。

内容抽取：按照模块的配置XPATH，抽取页面信息，并写入到pagebase中。

离线调度：按照更新的比例，从crawled_set里面，按期选取url进入Mod队列里面进行刷新。

抓取模块

抓取模块是抓取的必要条件，抓取模块来讲，重要的是应付互联网上各式的问题，以及如何实现对对方站点的ip平衡，固然，这块是和调度系统的紧密结合的，对于抓取模块而言，本文主要使用scrapy工具包里面的下载模块。

首先，抓取模块从linkbase获取对应站点的抓取url，进行页面下载，而后将页面信息写回到pipeline中，并完成连接抽取和页面抽取，同时调用调度模块，插入到linkbase和pagebase中。

下载端设计：

IP：每台机器须要配置多个物理公网IP，下载的时候，随机选择一个IP下载

抓取频度调整：读取配置文件，按照配置文件的抓取频率进行选取url

配置界面

配置界面主要是对抓取系统的管理和配置，包括：站点feed、页面模块抽取、报表系统的反馈等等。

相似于通用的抓取架构，本文提到的抓取系统架构以下图：

一个完整的抓取数据流：

• 1：用户提供种子URL
• 2：种子URL进入linkbase中新URL队列中
• 3：调度模块选取url进入到抓取模块的待抓取队列中
• 4：抓取模块读取站点的配置文件，按照执行的频率进行抓取
• 5：抓取的结果返回到pipeline接口中，并完成链接的抽取
• 6：新发现的链接在linkbase里面进行dedup，并push到linkbase的新URL模块里面
• 7：调度模块选取url进入抓取模块的待抓取队列，goto 4
• 8：end

系统扩展

本文提到的抓取系统，核心是调度和存储模块；其中，抓取，存储，调度都是经过数据进行交互的，所以，模块之间能够任意平行扩展，对于系统规模来讲， 只须要平行扩展mysql和Redis存储服务集群以及抓取集群便可。固然，简单的扩展会带来一些问题：好比垃圾列表页的泛滥，连接库的膨胀等等问题，这 些问题后续在讨论吧。