手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（6）：分布式爬蟲(chóng)

作者：佚名 2018-05-22 15:30:30

開(kāi)發(fā)

后端

分布式 對(duì)于分布式爬蟲(chóng)系統(tǒng)來(lái)說(shuō)，假設(shè)1臺(tái)機(jī)器能10天爬完一個(gè)任務(wù)，如果部署10臺(tái)機(jī)器，那么1天就會(huì)完成這個(gè)任務(wù)。這樣就用可以接受的成本，讓系統(tǒng)的效率提高十倍。之前介紹的單機(jī)架構(gòu)師達(dá)不到這種效果的，是時(shí)候介紹信的架構(gòu)了！

十載的新巴爾虎左網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)、前端、開(kāi)發(fā)、售后、文案、推廣等六對(duì)一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。成都營(yíng)銷網(wǎng)站建設(shè)的優(yōu)勢(shì)是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動(dòng)調(diào)整新巴爾虎左建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無(wú)論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)公司從事“新巴爾虎左網(wǎng)站設(shè)計(jì)”,“新巴爾虎左網(wǎng)站推廣”以來(lái)，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。

本系列：

• 《手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（1）：網(wǎng)易云音樂(lè)歌單》
• 《手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（2）：迷你爬蟲(chóng)架構(gòu)》
• 《手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（3）：開(kāi)源爬蟲(chóng)框架對(duì)比》
• 《手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（4）：Scrapy入門》
• 《手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（5）：PhantomJS實(shí)戰(zhàn)》

筆者以前看過(guò)一個(gè)電影叫《Who Am I – No System Is Safe》，劇中的黑客老大“Who Am I”就用代理來(lái)隱藏自己，躲避FBI和其他黑客組織的追蹤。

taskId:flag:crawler:info
Filed	value	說(shuō)明
totalCnt	10000	抓取的url總數(shù)：抓取完成，不管成功失敗，都加1
failCnt	0	抓取的url失敗數(shù)：抓取失敗，加1
switch	1	任務(wù)狀態(tài)：0：停止，1：?jiǎn)?dòng)，2：暫停，3：暫停啟動(dòng)
priority	1	任務(wù)優(yōu)先級(jí)
retryCnt	0	重試次數(shù)
status	0	任務(wù)執(zhí)行狀態(tài)：1：進(jìn)行中，2：完成
Ref	0	url引用數(shù)：每消費(fèi)一個(gè)url，減1；生成一個(gè)url，加1。等于0則任務(wù)完成
maxThreadCnt	100	任務(wù)的***線程數(shù)
remainThreadCnt	10	剩余可用線程數(shù)
lastFetchTime	1496404451532	上一次抓取時(shí)間

taskId:flag:parser:info
Filed	value	說(shuō)明
totalCnt	10000	解析總數(shù)：解析完成，不管成功失敗，都加1
failCnt	0	解析失敗數(shù)：解析失敗，加1
crawlerStatus	0	爬取狀態(tài)：0：進(jìn)行中，2：完成
ref	10	url引用數(shù)：crawler每保存一個(gè)網(wǎng)頁(yè)，加1；parser每解析完成一個(gè)網(wǎng)頁(yè)，減1。等于0不說(shuō)明任務(wù)完成。若crawlerStatus等于2，ref等于0，則任務(wù)完成。

taskId:flag:filter:info
Filed	value	說(shuō)明
totalCnt	10000	清洗總數(shù)：清洗完成，不管成功失敗，都加1
failCnt	0	清洗失敗數(shù)：清洗失敗，加1
crawlerStatus	0	解析狀態(tài)：0：進(jìn)行中，2：完成
ref	10	url引用數(shù)：parser每保存一條數(shù)據(jù)，加1；filter每清洗完成一條數(shù)據(jù)，減1。等于0不說(shuō)明任務(wù)完成。若parserStatus等于2，ref等于0，則任務(wù)完成。

流程控制 – failover

如果一個(gè)Crawler_core的機(jī)器掛掉了，就會(huì)開(kāi)始數(shù)據(jù)恢復(fù)程序，把這臺(tái)機(jī)器所有未完成的任務(wù)恢復(fù)到公共緩存中。

當(dāng)前標(biāo)題：手把手教你寫(xiě)網(wǎng)絡(luò)爬蟲(chóng)（6）：分布式爬蟲(chóng)
URL網(wǎng)址：http://m.fisionsoft.com.cn/article/djpdosh.html