高级架构师实战:如何用最小的代价完成爬虫需求

时间:2022-01-20

一  缘起

在我工作的多家公司,有众多的领域,如房产,电商,广告等领域。尽管业务相差很大,但都涉及到爬虫领域。开发爬虫项目多了后,自然而然的会面对一个问题——

这些开发的爬虫项目有通用性吗?

有没有可能花费较小的代价完成一个新的爬虫需求?

在维护运营过程中,是否能够工具化,构建基于配置化的分布式爬虫应用?

这就是是我们今天要讨论的话题。

二  项目需求

立项之初,我们从使用的脚度试着提几个需求。

1. 分布式抓取

由于抓取量可能非常庞大,一台机器不足以处理百万以上的抓取任务,因此分布式爬虫应用是首当其冲要面对并解决的问题。

     

2. 模块化,轻量

我们将爬虫应用分成“应用层,服务层,业务处理层,调度层” 四个脚色。

3. 可管理,可监控

管理监控是一个体系,即配置可管理化,运行实时监控化。在系统正常运行时,可以变更爬虫的配置,一旦实时监控爬虫出现异常,可实时修正配置进行干预。所有的一切,均可以通过UI界面进行操作。

4. 通用性,可扩展。

爬虫业务往往多变,不同领域的爬取需求不尽相同。举例说,房源抓取包含图片抓取,小区信息抓取,房源去重等模块。新闻抓取包括内容抓取,正文提取,信息摘要等相关。

因此,系统需要能够支持业务扩展需求,可以支持不同的业务使用同一套框架进行应用开发。 

三  模块分解

针对业务需求,我们将系统分解成多个应用模块。

    

应用层是针对管理员,系统维护人员使用。主要分成两个模块,系统配置模块和运营管理模块。

  • 系统配置模块:系统配置模块包含抓取网站管理配置,在线测试等功能。

  • 运营管理模块:运营管理模块包含实时抓取量统计,分析,正确率等。甚至包括失败原因,失败量。

系统运营人员可以根据运营模块得到实时的反馈,使用系统配置模块进行配置修正,在线测试正确后将配置生效,再实时监控新的配置产生的效果。

    

服务层是整个系统传输的中枢,相当于整个分布式集中的系统总线和数据总线。服务层提供一个http/thrift接口,读取数据库,输出配置信息。

  1. 提供网站爬虫配置接口。从数据库中实时读取配置信息,响应业务层的配置请求。

  2. 提供业务层输出写入接口。接受业务层实时爬取的信息汇总,包括正确数据量,错误数据量,以及错误原因。

  3. 提供实时报表统计分析。响应应用层的运营管理模块,查询数据库,实时提供数据分析报告。

业务处理层

     

业务处理层是整个爬虫系统的核心,可分成多台应用服务器进行处理。业务处理层主要包含解决两件事情。

  • 如何获取url

  • 得到url后,如何处理

(一)  如何获取url

对于爬虫来说,如何获取url至关重要。我们将这一过程定义为发现系统。对于发现系统而言,目标为如何发现待抓取网站的详细url列表,尽可能的发现更全。

假设场景 A

我们逛一个电商网站:打开首页-打开分类页-可能会有多层分类页-逐层点击-直至最小的分类页面。

打开这个分类页会发现该分类页下的所有分页页面,一页一页往下翻,就能够获得该分类页的所有商品。

假设场景 B

我们逛一个汽车网站:打开首页-找到品牌页-接着找到车系-最后找到车款页面。

通过以上场景分析可以得到一个结论,人能非常智能的找到所有待抓取的详细页面,即电商的商品,汽车的车款页面。那么,是否可以通过配置方式来模拟这一过程呢?

请看下图:

    

备注如下:

1. root_info

定义发现模块的入口页面,如同人打开汽车站的网页,后续的发现都是起始于这些入口页。

这里给出的实例是,某汽车网的品牌列表页,根据“”套用变量的配置,共有100个入口页。

2. steps

依次遍历这100个入口页,分别会执行steps中定义的步骤。机器模拟人的方式进行查看浏览。

step中,会使用"link_module"定义的类进行逻辑进行处理。

  1. 读取入口页的html"sub_prefix","sub_suffix""select"定义的内容,获得页面子区域html

  2. "link_match_method"的方法(含前缀包含,匹配等)抽取子区域的链接。

  3. 每个链接"link_pattern"进行匹配,匹配成功的进入下一步。

  4. 每一步得到的,自动进和地下一步处理,处理逻辑为递归上面"last_step"true

此处,即"last_step"true中发现的url,即为发现系统最终需要获取的url发现系统总结,通过配置的方式,结合人类的浏览习惯,通过若干步迭代,最终获取网站的详细页

由于每一步的抽取链接规则,以及步数据都是人为定义,因此,可以适配绝大部分网站的发现系统。当然,越复杂的网站发现配置可能更多一些、更为繁杂,但万变不离其宗。

(二)得到url后,如何处理

前提当然是每个业务的处理各不相同,有抽取页面属性功能、有正文提取、有图片获取,甚至有和当前系统对接等。

由于业务处理不一致,很自然想到的是通过配置方式,定义职责链系统,如同著名框架NettyPipeline在处理过程中,定义一个Context上下文处理类,并且,所有的中间结果都暂缓在这个Context

描述比较空洞,还是结合实际案例来看。

备注如下:

得到一个url后,读取配置,当url"site"匹配时,适用当前"site"

1.  pipeline定义职责链的处理过程

此处的定义为抓取模块,Javascript处理模块,通用解析模块对应的处理如下:

先执行抓取模块,得到html。紧接着执行Javascript处理模块,输入为htmlhtml,此处可能是评论,也可能是价格,总之处理的是动态加载项目,紧接着处理通用解析模块

2.  "parser_rules"定义的是解析模块

最终输出的是kvjavamappythondict即从上一步的html中,找到每一荐的"sizzle""prefix","suffix"即前后缀移除过滤如同“价格:xxx元,前缀为“价格:",后缀为元

sizzle也是一个开源技术,据说以前鼎鼎有名的Jquery"sizzle"Java中可以使用Jsoup解析处理。

怎么知道需要取的"sizzle"内容是什么呢?具体可以结合firebug插件,选中即可得。选中后,结合应用层的管理工具,即可进行测试。

3. “isrequire"

可以看到,配置项中有“isrequire",表示这项内容是否必须。如果必须,且在实际处理中获取不到,那么在抓取的过程中,就会记录一个错误,错误原因自然是“$key is null"。此外,每一个module都可能出错,一旦出错,就没有必要往后去执行。

因此,在抓取过程中,业务处理层从服务层获得一批url(个)后,在处理这一百个结束后,会向服层reportreport内容为:

当前任务处理机器,于什么时间处理100个页面。不同网站成功多少、失败多少、什么模块失败多少,解析模块什么字段失败多少。

所有这些信息,均是实时统计,并在运营监控系统中以图表形示绘制出来,必要时可以发出报警,交由维护人员实时干预。

提一个问题,新增一个anotherauto.com网站怎么办?

其实也很简单,再增加一个配置呗。业务定义pipeline,如果有解析需求,填写对应的解析项即可。

以上两个系统,发现系统和处理系统,在我们实际生产中,是通过以下步骤贯穿。

  1. 发现系统累计发现待抓取网站的详细页,因为是一个累计持续的过程。因此有把握持续无限接近网站的100%

  2. 处理系统通过服务层,每次去取配置信息(可能维护人员在实时修正)及待抓取的列表进行处理。

待抓取的列表根据业务的优先级,分普通队列及优先级队列,通过任务调度系统进行统一管理和配置。

  • 调度层主要是业务系统。

  • 新增一个网站任务调度

  • 网站发现频率,包括增量发现频率和全量发现频率

  • 网站抓取优先级推送至队列

  • 断点续抓管理

  • ......

四  系统架构设计 从业务模块上看

应用层,服务层,业务处理层,调度层

从功能系统上看

   发现系统,抓取系统, 配置系统,监控系统

从扩展性上看

自定义职责链,自定义属性提取

从实时性上看

实时抓取,实时配置生效,实时监控,实时测试

从系统架构上看

   分布式架构,服务层主从切换设计,轻量(仅依赖于队列,数据库,java)

五  图例


【推荐】 为什么选择Spring Boot作为微服务的入门级微框架
【推荐】 Facebook、微信团队、Twitter、微软开源软件列表一览
【推荐】 余额宝背后的服务治理架构
【推荐】 密码学在互联网业务中的点滴使用