[[186419]]

一、緣起

在我工作的多家公司，有眾多的領域，如房產，電商，廣告等領域。盡管業務相差很大，但都涉及到爬蟲領域。開發爬蟲項目多了后，自然而然的會面對一個問題——

• 這些開發的爬蟲項目有通用性嗎?
• 有沒有可能花費較小的代價完成一個新的爬蟲需求?
• 在維護運營過程中，是否能夠工具化，構建基于配置化的分布式爬蟲應用?

這就是是我們今天要討論的話題。

二、項目需求

立項之初，我們從使用的腳度試著提幾個需求。

1. 分布式抓取

由于抓取量可能非常龐大，一臺機器不足以處理百萬以上的抓取任務，因此分布式爬蟲應用是首當其沖要面對并解決的問題。

2. 模塊化，輕量

我們將爬蟲應用分成“應用層，服務層，業務處理層，調度層” 四個腳色。

3. 可管理，可監控

管理監控是一個體系，即配置可管理化，運行實時監控化。在系統正常運行時，可以變更爬蟲的配置，一旦實時監控爬蟲出現異常，可實時修正配置進行干預。所有的一切，均可以通過UI界面進行操作。

4. 通用性，可擴展。

爬蟲業務往往多變，不同領域的爬取需求不盡相同。舉例說，房源抓取包含圖片抓取，小區信息抓取，房源去重等模塊。新聞抓取包括內容抓取，正文提取，信息摘要等相關。

因此，系統需要能夠支持業務擴展需求，可以支持不同的業務使用同一套框架進行應用開發。

三 模塊分解

針對業務需求，我們將系統分解成多個應用模塊。

1. 應用層

應用層是針對管理員，系統維護人員使用。主要分成兩個模塊，系統配置模塊和運營管理模塊。

• 系統配置模塊：系統配置模塊包含抓取網站管理配置，在線測試等功能。
• 運營管理模塊：運營管理模塊包含實時抓取量統計，分析，正確率等。甚至包括失敗原因，失敗量。

系統運營人員可以根據運營模塊得到實時的反饋，使用系統配置模塊進行配置修正，在線測試正確后將配置生效，再實時監控新的配置產生的效果。

2. 服務層

服務層是整個系統傳輸的中樞，相當于整個分布式集中的系統總線和數據總線。服務層提供一個http/thrift接口，讀取數據庫，輸出配置信息。

• 提供網站爬蟲配置接口。從數據庫中實時讀取配置信息，響應業務層的配置請求。
• 提供業務層輸出寫入接口。接受業務層實時爬取的信息匯總，包括正確數據量，錯誤數據量，以及錯誤原因。
• 提供實時報表統計分析。響應應用層的運營管理模塊，查詢數據庫，實時提供數據分析報告。

3. 業務處理層

業務處理層是整個爬蟲系統的核心，可分成多臺應用服務器進行處理。業務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

對于爬蟲來說，如何獲取url至關重要。我們將這一過程定義為發現系統。對于發現系統而言，目標為如何發現待抓取網站的詳細url列表，盡可能的發現更全。

a 假設場景 A

我們逛一個電商網站：打開首頁-打開分類頁-可能會有多層分類頁-逐層點擊-直至最小的分類頁面。

打開這個分類頁會發現該分類頁下的所有分頁頁面，一頁一頁往下翻，就能夠獲得該分類頁的所有商品。

b 假設場景 B

我們逛一個汽車網站：打開首頁-找到品牌頁-接著找到車系-最后找到車款頁面。

通過以上場景分析可以得到一個結論，人能非常智能的找到所有待抓取的詳細頁面，即電商的商品，汽車的車款頁面。那么，是否可以通過配置方式來模擬這一過程呢?

請看下圖：

備注如下：

*root_info：

定義發現模塊的入口頁面，如同人打開汽車站的網頁，后續的發現都是起始于這些入口頁。

這里給出的實例是，某汽車網的品牌列表頁，根據“模板化”套用變量的配置，共有100個入口頁。

* steps:

依次遍歷這100個入口頁，分別會執行steps中定義的步驟。機器模擬人的方式進行查看瀏覽。

每個step中，會使用"link_module"定義的類進行邏輯進行處理。

• 讀取入口頁的html，結合"sub_prefix","sub_suffix"和"select"定義的內容，獲得頁面子區域html。
• 使用"link_match_method"的方法(含前綴包含，匹配等),抽取子區域的鏈接。
• 每個鏈接 和"link_pattern"進行匹配，匹配成功的url進入下一步。
• 每一步得到的url，自動進和地下一步處理，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中發現的url，即為發現系統最終需要獲取的url列表。發現系統總結，通過配置的方式，結合人類的瀏覽習慣，通過若干步迭代，最終獲取網站的詳細頁url列表。

由于每一步的抽取鏈接規則，以及步數據都是人為定義，因此，可以適配絕大部分網站的發現系統。當然，越復雜的網站發現配置可能更多一些、更為繁雜，但萬變不離其宗。

2. 得到url后，如何處理

前提當然是每個業務的處理各不相同，有抽取頁面屬性功能、有正文提取、有圖片獲取，甚至有和當前系統對接等。

由于業務處理不一致，很自然想到的是通過配置方式，定義職責鏈系統，如同著名框架Netty中的Pipeline設計。在處理過程中，定義一個Context上下文處理類，并且，所有的中間結果都暫緩在這個Context中。

描述比較空洞，還是結合實際案例來看。

備注如下：

得到一個url后，讀取配置，當url和"site"匹配時，適用當前"site"規則。

*  pipeline定義職責鏈的處理過程

此處的定義為“抓取模塊，Javascript處理模塊，通用解析模塊”。對應的處理如下：

先執行抓取模塊，得到html。緊接著執行Javascript處理模塊，輸入為html，解析html，此處可能是評論，也可能是價格，總之處理的是動態加載項目，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"，執行"prefix","suffix"即前后綴移除(過濾如同“價格：xxx元，前綴為“價格:"，后綴為元)。

對了，sizzle也是一個開源技術，據說以前鼎鼎有名的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"內容是什么呢?具體可以結合firebug插件，選中即可得。選中后，結合應用層的管理工具，即可進行測試。

*  “isrequire"

可以看到，配置項中有“isrequire"，表示這項內容是否必須。如果必須，且在實際處理中獲取不到，那么在抓取的過程中，就會記錄一個錯誤， 錯誤原因自然是“$key is null"。此外，每一個module都可能出錯，一旦出錯，就沒有必要往后去執行。

因此，在抓取過程中，業務處理層從服務層獲得一批url(默認100個)后，在處理這一百個url結束后，會向服層report，report內容為：

所有這些信息，均是實時統計，并在運營監控系統中以圖表形示繪制出來，必要時可以發出報警，交由維護人員實時干預。

Q: 提一個問題，新增一個anotherauto.com網站怎么辦?

A: 其實也很簡單，再增加一個配置唄。業務定義pipeline，如果有解析需求，填寫對應的解析項即可。

以上兩個系統，發現系統和處理系統，在我們實際生產中，是通過以下步驟貫穿。

• 發現系統累計發現待抓取網站的詳細頁，因為是一個累計持續的過程。因此有把握持續無限接近網站的100%頁面。
• 處理系統通過服務層，每次去取配置信息(可能維護人員在實時修正)及待抓取的列表進行處理。

待抓取的列表根據業務的優先級，分普通隊列及優先級隊列，通過任務調度系統進行統一管理和配置。

4. 調度層

• 調度層主要是業務系統。
• 新增一個網站任務調度
• 網站發現頻率，包括增量發現頻率和全量發現頻率
• 網站抓取優先級推送至隊列
• 斷點續抓管理
• ......

四、系統架構設計

• 從業務模塊上看：應用層，服務層，業務處理層，調度層
• 從功能系統上看：發現系統，抓取系統， 配置系統，監控系統
• 從擴展性上看：自定義職責鏈，自定義屬性提取
• 從實時性上看：實時抓取，實時配置生效，實時監控，實時測試
• 從系統架構上看：分布式架構，服務層主從切換設計，輕量(僅依賴于隊列，數據庫，java)

五、圖例

【本文是51CTO專欄機構“豈安科技”的原創文章，轉載請通過微信公眾號(bigsec)聯系原作者】

戳這里，看該作者更多好文