分布式爬虫架构设计
最近又和爬虫干上了,有3000万个搜索关键词,1个关键词搜索结果有多个,每个结果对应一个ID,每个ID的对应的目标页面由多个请求接口返回的json组合而成。
1.在架构上使用kafka分发搜索关键词,利用了kafka同一消费组只消费一次的特性。
2.利用redis进行id去重。
3.在扩展性上利用kafka的consumer balance,实现爬虫进程的可以随时增加减少(当然进程数不应大于对应topic的partition数)。
注意:partition数过大可能会引起kafka的gc,这是因为kafka会为每个作为follower的replica开辟一个空间默认为1M。
架构如图所示:
在实施时创建了1000个partition,也就是可以开1000个爬虫进程,每个进程20个线程,最大并发量有20000。