高级架构师实战：如何用最小的代价完成爬虫需求

摘要：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。从数据库中实时读取配置信息，响应业务层的配置请求。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。

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。

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。 

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。

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。

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。

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

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。

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。

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

每个链接 和"link_pattern"进行匹配，匹配成功的url进入下一步。

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。

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。

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。

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

......

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)

①　

②　

③　

*爬虫模块 ui二 (1.6  任务配置) ：
定义每个爬虫任务的处理执行职责链，不同的爬虫任务可以有不同的处理链。对于系统而言，处理每一个待爬取的url，都会按照职责链的顺序执行。后置处理类则是一批任务执行后（如上文的100个url)，批量提交的方式。如文件落地，入库，推往线上系统等。通过任务处理定义，则可以自定义各类不同场景的爬虫业务，在不编码的前提下增加系统的灵活性。*

④　​

*属性配置：
如图所示，维护人员增加条测试的url，同时定义需要提取的属性，则可在线定义该页面对应的属性输出，可见即可得。
在增加便利性，可测试性的基础上，又能灵活的选取页面的任意属性，值得一提的是，可以通过firefox插件获取sizzle的配置。*

⑤　

*1.9查看明细：

在爬虫系统的运行过程中，几乎可以实时的进行任务的监控。由于爬虫任务实时将爬取的状态写入数据库，因此完全可以通过ui界面进行管理及监控。1. 监控：监控爬虫任务当前时间成功次数，错误次数，什么模块错误，甚至某个属性提取错误。2. 管理：维护人员观测监控效果后，可实时进行编辑及管理（见上一张图），以应对不同网站的改版需求。所有编辑实时生效，编辑完成后，无需重启服务，又可实时监控爬虫任务的最新效果。*

反爬虫
文章来源：http://bigsec.com/

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。