基于 ZooKeeper 实现爬虫集群的监控
ZooKeeper 是一个开源的分布式协调服务，ZooKeeper框架最初是在“Yahoo!"上构建的，用于以简单而稳健的方式访问他们的应用程序。 后来，Apache ZooKeeper成为Hadoop，HBase和其他分布式框架使用的有组织服务的标准。 例如，Apache HBase使用ZooKeeper跟踪分布式数据的状态。ZooKeeper 的设计目标是将那些复杂且容易出错的分布式一致性服务封装起来，构成一个高效可靠的原语集，并以一系列简单易用的接口提供给用户使用。
ZooKeeper 通常用于：命名服务、配置管理、集群管理、分布式协调/通知、分布式锁和分布式队列等等。
各个爬虫的节点通过注册到 ZooKeeper 从而实现爬虫集群的管理。NetDiscovery 正是借助了 ZooKeeper 的特性来监控爬虫集群。
NetDiscovery 是一款基于 Vert.x、RxJava 2 等框架实现的通用爬虫框架。它包含了丰富的特性。
爬虫集群的监控
NetDiscovery 包含了 Spider 和 SpiderEngine。 Spider 用于实现爬虫的业务逻辑，Spider 可以添加到 SpiderEngine，由 SpiderEngine 来管理各个 Spider 的生命周期。
但是 SpiderEngine 部署到每一个节点之后，SpiderEngine 如何进行监控和管理呢？
可以将 SpiderEngine 在运行时，先注册到 ZooKeeper。（需要事先在 ZooKeeper 集群创建 /netdiscovery 节点）
/**
* 启动SpiderEngine中所有的spider，让每个爬虫并行运行起来。
*
*/
public void run() {
if (Preconditions.isNotBlank(spiders)) {
registerZK();
......
}
}
/**
* 将当前 SpiderEngine 注册到 zookeeper 指定的目录 /netdiscovery 下
*/
private void registerZK() {
if (Preconditions.isNotBlank(zkStr) && useZk) {
log.info("zkStr: {}", zkStr);
RetryPolicy retryPolicy = new ExponentialBackoffRetry(1000,3);
CuratorFramework client = CuratorFrameworkFactory.newClient(zkStr, retryPolicy);
client.start();
try {
String ipAddr = InetAddress.getLocalHost().getHostAddress() + "-" + defaultHttpdPort + "-" + System.currentTimeMillis();
String nowSpiderEngineZNode = "/netdiscovery/" + ipAddr;
client.create().withMode(CreateMode.EPHEMERAL).forPath(nowSpiderEngineZNode,nowSpiderEngineZNode.getBytes());
} catch (UnknownHostException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
}
}另外，需要使用 NetDiscovery Monitor 的 CuratorManager 类。 它借助 Zookeeper 的 Watcher 机制，监听已经注册到 /netdiscovery 这个父 zNode 下的各个子 zNode ，也就是各个 SpiderEngine。
Watcher机制是指 ZooKeeper 客户端向 ZooKeeper 服务器注册 Watcher 的同时，会将 Watcher 对象存储在客户端的 WatchManager 中。ZooKeeper 服务器触发 Watcher 事件后，会向客户端发送通知，客户端线程从 WatchManager 中回调 Watcher 执行相应的功能。
/*** 当前所监控的父的 zNode 下若是子 zNode 发生了变化：新增，删除，修改** 下述方法都会触发执行** @param event*/@Overridepublic void process(WatchedEvent event) {List<String> newZodeInfos = null;try {newZodeInfos = client.getChildren().usingWatcher(this).forPath("/netdiscovery");//根据初始化容器的长度与最新的容器的长度进行比对，就可以推导出当前 SpiderEngine 集群的状态：新增，宕机/下线，变更...//哪个容器中元素多，就循环遍历哪个容器。if (Preconditions.isNotBlank(newZodeInfos)) {if (newZodeInfos.size()>allZnodes.size()){//明确显示新增了哪个 SpiderEngine 节点for (String nowZNode:newZodeInfos) {if (!allZnodes.contains(nowZNode)){log.info("新增 SpiderEngine 节点{}", nowZNode);}}}else if (newZodeInfos.size()<allZnodes.size()){// 宕机/下线// 明确显示哪个 SpiderEngine 节点宕机/下线了for (String initZNode : allZnodes) {if (!newZodeInfos.contains(initZNode)) {log.info("SpiderEngine 节点【{}】下线了！", initZNode);// 如果有下线的处理，则处理(例如发邮件、短信等)if (serverOfflineProcess!=null) {serverOfflineProcess.process();}}}}else {// SpiderEngine 集群正常运行;// 宕机/下线了，当时马上重启了，总的爬虫未发生变化}}} catch (Exception e) {e.printStackTrace();}allZnodes = newZodeInfos;}
所以需要单独运行一个进程，例如：
public class TestCuratorManager {public static void main(String[] args) {CuratorManager curatorManager = new CuratorManager();curatorManager.start();}}
下图反映了 ZooKeeper 如何监控 SpiderEngine 集群。
总结
爬虫框架 github 地址：https://github.com/fengzhizi715/NetDiscovery
本文介绍了如何使用 ZooKeeper 来监控爬虫的集群。未来，NetDiscovery 还会增加更为通用的功能。
该系列的相关文章：
Java 通用爬虫框架中多线程的使用
Disruptor 实践：整合到现有的爬虫框架
从API到DSL —— 使用 Kotlin 特性为爬虫框架进一步封装
使用Kotlin Coroutines简单改造原有的爬虫框架
为爬虫框架构建Selenium模块、DSL模块(Kotlin实现)
基于Vert.x和RxJava 2构建通用的爬虫框架
最后推荐一款公益小程序：
这是一款由一位宝爸为自己孩子开发的小程序，主要包括舒尔特方格（以最短时间按顺序指出所以数字，注意力训练）、加减法和乘法口诀。可以根据实际情况选择出题难度和出题数量，有错题重做功能。针对国内幼升小的实际情况，还有针对性的 20 以内加减法运算。使用简单方便，可以在家里、公车上、火车上、候车室等场所使用，可用于奖惩。公益性质，完全免费，无广告！
关注【Java与Android技术栈】
更多精彩内容请关注扫码：
