[[186419]]

一、緣起

在我工作的多家公司，有眾多的領(lǐng)域，如房產(chǎn)，電商，廣告等領(lǐng)域。盡管業(yè)務(wù)相差很大，但都涉及到爬蟲(chóng)領(lǐng)域。開(kāi)發(fā)爬蟲(chóng)項(xiàng)目多了后，自然而然的會(huì)面對(duì)一個(gè)問(wèn)題——

• 這些開(kāi)發(fā)的爬蟲(chóng)項(xiàng)目有通用性嗎?
• 有沒(méi)有可能花費(fèi)較小的代價(jià)完成一個(gè)新的爬蟲(chóng)需求?
• 在維護(hù)運(yùn)營(yíng)過(guò)程中，是否能夠工具化，構(gòu)建基于配置化的分布式爬蟲(chóng)應(yīng)用?

這就是是我們今天要討論的話(huà)題。

二、項(xiàng)目需求

立項(xiàng)之初，我們從使用的腳度試著提幾個(gè)需求。

1. 分布式抓取

由于抓取量可能非常龐大，一臺(tái)機(jī)器不足以處理百萬(wàn)以上的抓取任務(wù)，因此分布式爬蟲(chóng)應(yīng)用是首當(dāng)其沖要面對(duì)并解決的問(wèn)題。

2. 模塊化，輕量

我們將爬蟲(chóng)應(yīng)用分成“應(yīng)用層，服務(wù)層，業(yè)務(wù)處理層，調(diào)度層” 四個(gè)腳色。

3. 可管理，可監(jiān)控

管理監(jiān)控是一個(gè)體系，即配置可管理化，運(yùn)行實(shí)時(shí)監(jiān)控化。在系統(tǒng)正常運(yùn)行時(shí)，可以變更爬蟲(chóng)的配置，一旦實(shí)時(shí)監(jiān)控爬蟲(chóng)出現(xiàn)異常，可實(shí)時(shí)修正配置進(jìn)行干預(yù)。所有的一切，均可以通過(guò)UI界面進(jìn)行操作。

4. 通用性，可擴(kuò)展。

爬蟲(chóng)業(yè)務(wù)往往多變，不同領(lǐng)域的爬取需求不盡相同。舉例說(shuō)，房源抓取包含圖片抓取，小區(qū)信息抓取，房源去重等模塊。新聞抓取包括內(nèi)容抓取，正文提取，信息摘要等相關(guān)。

因此，系統(tǒng)需要能夠支持業(yè)務(wù)擴(kuò)展需求，可以支持不同的業(yè)務(wù)使用同一套框架進(jìn)行應(yīng)用開(kāi)發(fā)。

三 模塊分解

針對(duì)業(yè)務(wù)需求，我們將系統(tǒng)分解成多個(gè)應(yīng)用模塊。

1. 應(yīng)用層

應(yīng)用層是針對(duì)管理員，系統(tǒng)維護(hù)人員使用。主要分成兩個(gè)模塊，系統(tǒng)配置模塊和運(yùn)營(yíng)管理模塊。

• 系統(tǒng)配置模塊：系統(tǒng)配置模塊包含抓取網(wǎng)站管理配置，在線測(cè)試等功能。
• 運(yùn)營(yíng)管理模塊：運(yùn)營(yíng)管理模塊包含實(shí)時(shí)抓取量統(tǒng)計(jì)，分析，正確率等。甚至包括失敗原因，失敗量。

系統(tǒng)運(yùn)營(yíng)人員可以根據(jù)運(yùn)營(yíng)模塊得到實(shí)時(shí)的反饋，使用系統(tǒng)配置模塊進(jìn)行配置修正，在線測(cè)試正確后將配置生效，再實(shí)時(shí)監(jiān)控新的配置產(chǎn)生的效果。

2. 服務(wù)層

服務(wù)層是整個(gè)系統(tǒng)傳輸?shù)闹袠?，相?dāng)于整個(gè)分布式集中的系統(tǒng)總線和數(shù)據(jù)總線。服務(wù)層提供一個(gè)http/thrift接口，讀取數(shù)據(jù)庫(kù)，輸出配置信息。

• 提供網(wǎng)站爬蟲(chóng)配置接口。從數(shù)據(jù)庫(kù)中實(shí)時(shí)讀取配置信息，響應(yīng)業(yè)務(wù)層的配置請(qǐng)求。
• 提供業(yè)務(wù)層輸出寫(xiě)入接口。接受業(yè)務(wù)層實(shí)時(shí)爬取的信息匯總，包括正確數(shù)據(jù)量，錯(cuò)誤數(shù)據(jù)量，以及錯(cuò)誤原因。
• 提供實(shí)時(shí)報(bào)表統(tǒng)計(jì)分析。響應(yīng)應(yīng)用層的運(yùn)營(yíng)管理模塊，查詢(xún)數(shù)據(jù)庫(kù)，實(shí)時(shí)提供數(shù)據(jù)分析報(bào)告。

3. 業(yè)務(wù)處理層

業(yè)務(wù)處理層是整個(gè)爬蟲(chóng)系統(tǒng)的核心，可分成多臺(tái)應(yīng)用服務(wù)器進(jìn)行處理。業(yè)務(wù)處理層主要包含解決兩件事情。

• 如何獲取url
• 得到url后，如何處理

（1） 如何獲取url

對(duì)于爬蟲(chóng)來(lái)說(shuō)，如何獲取url至關(guān)重要。我們將這一過(guò)程定義為發(fā)現(xiàn)系統(tǒng)。對(duì)于發(fā)現(xiàn)系統(tǒng)而言，目標(biāo)為如何發(fā)現(xiàn)待抓取網(wǎng)站的詳細(xì)url列表，盡可能的發(fā)現(xiàn)更全。

a 假設(shè)場(chǎng)景 A

我們逛一個(gè)電商網(wǎng)站：打開(kāi)首頁(yè)-打開(kāi)分類(lèi)頁(yè)-可能會(huì)有多層分類(lèi)頁(yè)-逐層點(diǎn)擊-直至最小的分類(lèi)頁(yè)面。

打開(kāi)這個(gè)分類(lèi)頁(yè)會(huì)發(fā)現(xiàn)該分類(lèi)頁(yè)下的所有分頁(yè)頁(yè)面，一頁(yè)一頁(yè)往下翻，就能夠獲得該分類(lèi)頁(yè)的所有商品。

b 假設(shè)場(chǎng)景 B

我們逛一個(gè)汽車(chē)網(wǎng)站：打開(kāi)首頁(yè)-找到品牌頁(yè)-接著找到車(chē)系-最后找到車(chē)款頁(yè)面。

通過(guò)以上場(chǎng)景分析可以得到一個(gè)結(jié)論，人能非常智能的找到所有待抓取的詳細(xì)頁(yè)面，即電商的商品，汽車(chē)的車(chē)款頁(yè)面。那么，是否可以通過(guò)配置方式來(lái)模擬這一過(guò)程呢?

請(qǐng)看下圖：

備注如下：

*root_info：

定義發(fā)現(xiàn)模塊的入口頁(yè)面，如同人打開(kāi)汽車(chē)站的網(wǎng)頁(yè)，后續(xù)的發(fā)現(xiàn)都是起始于這些入口頁(yè)。

這里給出的實(shí)例是，某汽車(chē)網(wǎng)的品牌列表頁(yè)，根據(jù)“模板化”套用變量的配置，共有100個(gè)入口頁(yè)。

* steps:

依次遍歷這100個(gè)入口頁(yè)，分別會(huì)執(zhí)行steps中定義的步驟。機(jī)器模擬人的方式進(jìn)行查看瀏覽。

每個(gè)step中，會(huì)使用"link_module"定義的類(lèi)進(jìn)行邏輯進(jìn)行處理。

• 讀取入口頁(yè)的html，結(jié)合"sub_prefix","sub_suffix"和"select"定義的內(nèi)容，獲得頁(yè)面子區(qū)域html。
• 使用"link_match_method"的方法(含前綴包含，匹配等),抽取子區(qū)域的鏈接。
• 每個(gè)鏈接 和"link_pattern"進(jìn)行匹配，匹配成功的url進(jìn)入下一步。
• 每一步得到的url，自動(dòng)進(jìn)和地下一步處理，處理邏輯為遞歸上面a-c，直至"last_step"為true為止。

此處，即"last_step"為true中發(fā)現(xiàn)的url，即為發(fā)現(xiàn)系統(tǒng)最終需要獲取的url列表。發(fā)現(xiàn)系統(tǒng)總結(jié)，通過(guò)配置的方式，結(jié)合人類(lèi)的瀏覽習(xí)慣，通過(guò)若干步迭代，最終獲取網(wǎng)站的詳細(xì)頁(yè)url列表。

由于每一步的抽取鏈接規(guī)則，以及步數(shù)據(jù)都是人為定義，因此，可以適配絕大部分網(wǎng)站的發(fā)現(xiàn)系統(tǒng)。當(dāng)然，越復(fù)雜的網(wǎng)站發(fā)現(xiàn)配置可能更多一些、更為繁雜，但萬(wàn)變不離其宗。

2. 得到url后，如何處理

前提當(dāng)然是每個(gè)業(yè)務(wù)的處理各不相同，有抽取頁(yè)面屬性功能、有正文提取、有圖片獲取，甚至有和當(dāng)前系統(tǒng)對(duì)接等。

由于業(yè)務(wù)處理不一致，很自然想到的是通過(guò)配置方式，定義職責(zé)鏈系統(tǒng)，如同著名框架Netty中的Pipeline設(shè)計(jì)。在處理過(guò)程中，定義一個(gè)Context上下文處理類(lèi)，并且，所有的中間結(jié)果都暫緩在這個(gè)Context中。

描述比較空洞，還是結(jié)合實(shí)際案例來(lái)看。

備注如下：

得到一個(gè)url后，讀取配置，當(dāng)url和"site"匹配時(shí)，適用當(dāng)前"site"規(guī)則。

*  pipeline定義職責(zé)鏈的處理過(guò)程

此處的定義為“抓取模塊，Javascript處理模塊，通用解析模塊”。對(duì)應(yīng)的處理如下：

先執(zhí)行抓取模塊，得到html。緊接著執(zhí)行Javascript處理模塊，輸入為html，解析html，此處可能是評(píng)論，也可能是價(jià)格，總之處理的是動(dòng)態(tài)加載項(xiàng)目，緊接著處理“通用解析模塊”

*  "parser_rules"定義的是解析模塊

最終輸出的是kv，在java中是map，python中是dict。即從上一步的html中，找到每一薦的"sizzle"，執(zhí)行"prefix","suffix"即前后綴移除(過(guò)濾如同“價(jià)格：xxx元，前綴為“價(jià)格:"，后綴為元)。

對(duì)了，sizzle也是一個(gè)開(kāi)源技術(shù)，據(jù)說(shuō)以前鼎鼎有名的Jquery也是"sizzle"引擎。Java中可以使用Jsoup解析處理。

怎么知道需要取的"sizzle"內(nèi)容是什么呢?具體可以結(jié)合firebug插件，選中即可得。選中后，結(jié)合應(yīng)用層的管理工具，即可進(jìn)行測(cè)試。

*  “isrequire"

可以看到，配置項(xiàng)中有“isrequire"，表示這項(xiàng)內(nèi)容是否必須。如果必須，且在實(shí)際處理中獲取不到，那么在抓取的過(guò)程中，就會(huì)記錄一個(gè)錯(cuò)誤， 錯(cuò)誤原因自然是“$key is null"。此外，每一個(gè)module都可能出錯(cuò)，一旦出錯(cuò)，就沒(méi)有必要往后去執(zhí)行。

因此，在抓取過(guò)程中，業(yè)務(wù)處理層從服務(wù)層獲得一批url(默認(rèn)100個(gè))后，在處理這一百個(gè)url結(jié)束后，會(huì)向服層report，report內(nèi)容為：

所有這些信息，均是實(shí)時(shí)統(tǒng)計(jì)，并在運(yùn)營(yíng)監(jiān)控系統(tǒng)中以圖表形示繪制出來(lái)，必要時(shí)可以發(fā)出報(bào)警，交由維護(hù)人員實(shí)時(shí)干預(yù)。

Q: 提一個(gè)問(wèn)題，新增一個(gè)anotherauto.com網(wǎng)站怎么辦?

A: 其實(shí)也很簡(jiǎn)單，再增加一個(gè)配置唄。業(yè)務(wù)定義pipeline，如果有解析需求，填寫(xiě)對(duì)應(yīng)的解析項(xiàng)即可。

以上兩個(gè)系統(tǒng)，發(fā)現(xiàn)系統(tǒng)和處理系統(tǒng)，在我們實(shí)際生產(chǎn)中，是通過(guò)以下步驟貫穿。

• 發(fā)現(xiàn)系統(tǒng)累計(jì)發(fā)現(xiàn)待抓取網(wǎng)站的詳細(xì)頁(yè)，因?yàn)槭且粋€(gè)累計(jì)持續(xù)的過(guò)程。因此有把握持續(xù)無(wú)限接近網(wǎng)站的100%頁(yè)面。
• 處理系統(tǒng)通過(guò)服務(wù)層，每次去取配置信息(可能維護(hù)人員在實(shí)時(shí)修正)及待抓取的列表進(jìn)行處理。

待抓取的列表根據(jù)業(yè)務(wù)的優(yōu)先級(jí)，分普通隊(duì)列及優(yōu)先級(jí)隊(duì)列，通過(guò)任務(wù)調(diào)度系統(tǒng)進(jìn)行統(tǒng)一管理和配置。

4. 調(diào)度層

• 調(diào)度層主要是業(yè)務(wù)系統(tǒng)。
• 新增一個(gè)網(wǎng)站任務(wù)調(diào)度
• 網(wǎng)站發(fā)現(xiàn)頻率，包括增量發(fā)現(xiàn)頻率和全量發(fā)現(xiàn)頻率
• 網(wǎng)站抓取優(yōu)先級(jí)推送至隊(duì)列
• 斷點(diǎn)續(xù)抓管理
• ......

四、系統(tǒng)架構(gòu)設(shè)計(jì)

• 從業(yè)務(wù)模塊上看：應(yīng)用層，服務(wù)層，業(yè)務(wù)處理層，調(diào)度層
• 從功能系統(tǒng)上看：發(fā)現(xiàn)系統(tǒng)，抓取系統(tǒng)， 配置系統(tǒng)，監(jiān)控系統(tǒng)
• 從擴(kuò)展性上看：自定義職責(zé)鏈，自定義屬性提取
• 從實(shí)時(shí)性上看：實(shí)時(shí)抓取，實(shí)時(shí)配置生效，實(shí)時(shí)監(jiān)控，實(shí)時(shí)測(cè)試
• 從系統(tǒng)架構(gòu)上看：分布式架構(gòu)，服務(wù)層主從切換設(shè)計(jì)，輕量(僅依賴(lài)于隊(duì)列，數(shù)據(jù)庫(kù)，java)

五、圖例

【本文是51CTO專(zhuān)欄機(jī)構(gòu)“豈安科技”的原創(chuàng)文章，轉(zhuǎn)載請(qǐng)通過(guò)微信公眾號(hào)(bigsec)聯(lián)系原作者】

戳這里，看該作者更多好文