高级架构师实战：如何用最小的代价完成爬虫需求

作者简介：

踏浪无痕

岂安科技高级架构师 

十余年数据研发经验，擅长数据处理领域工作，如爬虫、搜索引擎、大数据应用高并发等。担任过架构师，研发经理等岗位。

曾主导开发过大型爬虫，搜索引擎及大数据广告 DMP 系统目前负责岂安科技数据平台开发与搭建。

一、起源

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——

1. 这些开发的爬虫项目有通用性吗？

2. 有没有可能花费较小的代价完成一个新的爬虫需求？

3. 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。

1. 应用层

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。

2. 服务层

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。

3. 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“模板化”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。

每个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，结合”sub_prefix”,”sub_suffix”和”select”定义的内容，获得页面子区域 html。

2. 使用”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 和”link_pattern”进行匹配，匹配成功的url进入下一步。

4. 每一步得到的 url，自动进和地下一步处理，处理逻辑为递归上面 a-c，直至”last_step”为 true 为止。

此处，即”last_step”为 true 中发现的 url，即为发现系统最终需要获取的 url 列表。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 url 列表。

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 Netty 中的 Pipeline 设计。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 中。

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和“site”匹配时，适用当前“site”规则。

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 html，解析 html，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 kv，在 java 中是 map，python 中是 dict。即从上一步的html中，找到每一荐的”sizzle”，执行”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)。

对了，sizzle也是一个开源技术，据说以前鼎鼎有名的Jquery也是”sizzle”引擎。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 (默认100个）后，在处理这一百个 url 结束后，会向服层 report，report 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。

Q: 提一个问题，新增一个 anotherauto.com 网站怎么办？

A: 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%页面。

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

• 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

1

2

3

4

5