分布式爬虫

最新推荐文章于 2024-06-23 16:01:36 发布

Shallow_Carl

最新推荐文章于 2024-06-23 16:01:36 发布

阅读量470

点赞数

分类专栏：搜索引擎文章标签：爬虫 python big data

本文链接：https://blog.csdn.net/Alanadle/article/details/120797318

版权

搜索引擎专栏收录该内容

16 篇文章 0 订阅

订阅专栏

分布式爬虫

主从式分布爬虫

对等式爬虫

分布式爬虫

三个层级

分布式数据中心,分布式抓取服务器,分布式爬虫程序

每个数据中心又由多台高速网络连接的抓取服务器构成，而每台服务器又可以部署多个爬虫程序。通过多层级的分布式爬虫体系，才可能保证抓取数据的及时性和全面性。

主从式分布爬虫

对于主从式分布爬虫，不同的服务器承担不同的角色分工（参考图 2-15），其中有一台专门负责对其他服务器提供URL分发服务，其他机器则进行实际的网页下载。URL服务器维护待抓取URL队列，并从中获得待抓取网页的URL，分配给不同的抓取服务器，另外还要对抓取服务器之间的工作进行负载均衡，使得各个服务器承担的工作量大致相等，不至于出现忙的过忙、闲的过闲的情形。抓取服务器之间没有通信联系，每个抓取服务器只和URL服务器进行消息传递

Google在早期即采用此种主从分布式爬虫，在这种架构中，因为 URL服务器承担很多管理任务，同时待抓取URL队列数量巨大，所以 URL服务器容易成为整个系统的瓶颈

对等式爬虫

在对等式分布爬虫体系中，服务器之间不存在分工差异，每台服务器承担相同的功能，各自负担一部分URL的抓取工作，如图2-16所示即是其中一种对等式分布爬虫，Mercator爬虫采用此种体系结构（关于 Mercator爬虫具体技术细节可以参考文献7）。在对等式分布爬虫体系中，服务器之间不存在分工差异，每台服务器承担相同的功能，各自负担一部分URL的抓取工作，如图2-16所示即是其中一种对等式分布爬虫，Mercator爬虫采用此种体系结构（关于 Mercator爬虫具体技术细节可以参考文献7）。

由于没有URL服务器存在，每台抓取服务器的任务分工就成为问题。在如图2-16所示体系结构下，由服务器自己来判断某个URL是否应该由自己来抓取，或者将这个URL传递给相应的服务器。至于采取的判断方法，则是对网址的主域名进行哈希计算，之后取模（即hash［域名］％m，这里的m对应服务器个数），如果计算所得的值和抓取服务器编号匹配，则自己下载该网页，否则将该网址转发给对应编号的抓取服务器。以图2-16的例子来说，因为有3台抓取服务器，所以取模的时候m设定为3。图中的1号抓取服务器负责抓取哈希取模后值为1的网页，当其接收到网址www.google.com时，首先利用哈希函数计算这个主域名的哈希值，之后对3取模，发现取模后值为1，属于自己的职责范围，于是就自己下载网页；如果接收到网址www.baidu.com，哈希后对3取模，发现其值等于2，不属于自己的职责范畴，则会将这个要下载的URL转发给2 号抓取服务器，由2号抓取服务器来进行下载。通过这种方式，每台服务器平均承担大约1/3的抓取工作量。由于没有URL分发服务器，所以此种方法不存在系统瓶颈问题，另外其哈希函数不是针对整个URL，而只针对主域名，所以可以保证同一网站的网页都由同一台服务器抓取，这样一方面可以提高下载效率（DNS域名解析可以缓存），另外一方面也可以主动控制对某个网站的访问速度，避免对某个网站访问压力过大。图2-16这种体系结构也存在一些缺点，假设在抓取过程中某台服务器宕机，或者此时新加入一台抓取服务器，因为取模时m是以服务器个数确定的，所以此时m值发生变化，导致大部分URL哈希取模后的值跟着变化，这意味着几乎所有任务都需要重新进行分配，无疑会导致资源的极大浪费。为了解决哈希取模的对等式分布爬虫存在的问题，UbiCrawler爬虫提出了改进方案，即放弃哈希取模方式，转而采用一致性哈希方法（Consisting Hash）来确定服务器的任务分工（参考图2-17）。

一致性哈希将网站的主域名进行哈希，映射为一个范围在0到2 32 之间的某个数值，大量的网站主域名会被均匀地哈希到这个数值区间。可以如图2-17所示那样，将哈希值范围首尾相接，即认为数值0和最大值重合，这样可以将其看做有序的环状序列，从数值0开始，沿着环的顺时针方向，哈希值逐渐增大，直到环的结尾。而某个抓取服务器则负责这个环状序列的一个片段，即落在某个哈希取值范围内的URL都由该服务器负责下载。这样即可确定每台服务器的职责范围。我们以图2-17为例说明其优势，假设2号抓取服务器接收到了域名 www.baidu.com，经过哈希值计算后，2号服务器知道在自己的管辖范围内，于是自己下载这个URL。在此之后，2号服务器收到了 www.sina.com.cn这个域名，经过哈希计算，可知是3号服务器负责的范围，于是将这个URL转发给3号服务器。如果3号服务器死机，那么2号服务器得不到回应，于是知道3号服务器出了状况，此时顺时针按照环的大小顺序查找，将URL转发给第一个碰到的服务器，即1号服务器，此后3号服务器的下载任务都由1号服务器接管，直到3号服务器重新启动为止。从上面的流程可知，即使某台服务器出了问题，那么本来应该由这台服务器负责的URL则由顺时针的下一个服务器接管，并不会对其他服务器的任务造成影响，这样就解决了哈希取模方式的弊端，将影响范围从全局限制到了局部，如果新加入一台下载服务器也是如此。