数据抓取之性能优化第一弹

数据抓取本身流程很简单，但是当遇到网站的种类变多或者要采集的数据变多的时候，性能问题会称为数据抓取中要首要解决的问题。
这几天同事在测试采集数据的时候总是遇到反应很慢的情况。今晚趁着洗完澡脑子清醒，针对部分问题重构了下；做下记录。

这次遇到的问题主要是代理的问题，场景是这样的：

• 我有100个代理，
• 系统初始化的时候，我把这100个代理中放到一个队列（ArrayBlockingQueue）中。
• 然后平均每个采集类（一个采集类对应一个网站或者一类网站）分配10个代理。
• 问题来了，当我网站超过10个到11个的时候，这时候启动系统，第十一个采集类会无法从代理中获取代理。于是第十一个类一直在登真队列中哪个好心人把代理资源放回来。可惜它永远登不到那天。

问题的原因其实是我多虑了，因为代理资源本身是可以多个采集类共用的。而我起初的考虑是为了让代理资源能够均衡使用，不至于某个代理频繁的被使用，而某些代理永远没有用到（浪费了）。

我的解决方法是这样的：

• 把代理资源放在一个List中，而不是队列中。
• 每个采集类获取代理的时候从list中顺序获取，从第1个代理获取，到100个以后，再重头开始继续依次获取。
• 由于List中无法自己标记当前获取到第几个了，且在多线程环境下，所以使用了AtomicInteger来做计数器。
• 参考代码如下:

    import java.io.InputStream;
    import java.util.List; 
    import java.util.concurrent.atomic.AtomicInteger;

    import org.apache.commons.io.IOUtils;
    import org.slf4j.Logger;
    import org.slf4j.LoggerFactory;


    public class ProxieQueue {

        private static Logger logger = LoggerFactory.getLogger(ProxieQueue.class);
        private static List<Proxie> proxieList = com.google.common.collect.Lists.newArrayList();
        private static AtomicInteger listCounter =new AtomicInteger();
        private ProxieQueue() {

        }

        static {
            try {
                InputStream is =Configurations.class.getClassLoader().getResourceAsStream("proxies.txt");
                List<String> lineList = IOUtils.readLines(is); ;
                for (String line : lineList) {
                    String[] strArray = line.split(":");

                    Proxie proxie = new Proxie();
                    proxie.setUrl(strArray[0]);
                    proxie.setUser(strArray[1]);
                    proxie.setPass(strArray[2]);
                    proxie.setPort(Integer.valueOf(strArray[3]));
                    proxieList.add(p);
                }
            } catch (Exception e) {
                logger.error("读取代理配置失败", e);
            }


        }


        public static Proxie get() {
            int index = listCounter.getAndIncrement();
                if(index == proxieList.size()){
                   //获取到结尾后，从头开始继续获取
                   index= listCounter.getAndSet(0);
                }
                return  proxieList.get(index);       
        }
    }

• 另外我是在系统初始化的时候就将各个网站的采集类初始化好的，这样其实没有必要，完全可以在采集这个网站的时候再进行初始化即可。

欢迎去我的个人站点查看文章
或者，欢迎关注俺的微信订阅号，每天一篇小笔记，每天提高一点点：

公众号：enilu123