如何设计一个网页爬虫

作为长期深耕在爬虫行业的程序猿来说，对于设计一个网页爬虫想必很简单，下面就是一些有关网页爬虫设计的一些思路，可以过来看一看。

第一步：简述用例与约束条件

把所有需要的东西聚集在一起，审视问题。不停的提问，以至于我们可以明确使用场景和约束。讨论假设。

我们将在没有面试官明确说明问题的情况下，自己定义一些用例以及限制条件。

用例

我们把问题限定在仅处理以下用例的范围中。

服务

抓取一系列链接：
生成包含搜索词的网页倒排索引
生成页面的标题和摘要信息
页面标题和摘要都是静态的，它们不会根据搜索词改变

用户

输入搜索词后，可以看到相关的搜索结果列表，列表每一项都包含由网页爬虫生成的页面标题及摘要
只给该用例绘制出概要组件和交互说明，无需讨论细节。

服务
具有高可用性

无需考虑

搜索分析
个性化搜索结果
页面排名

1.2 限制条件与假设

提出假设

搜索流量分布不均
有些搜索词非常热门，有些则非常冷门
只支持匿名用户
用户很快就能看到搜索结果
网页爬虫不应该陷入死循环
当爬虫路径包含环的时候，将会陷入死循环
抓取 10 亿个链接
要定期重新抓取页面以确保新鲜度
平均每周重新抓取一次，网站越热门，那么重新抓取的频率越高
每月抓取 40 亿个链接
每个页面的平均存储大小：500 KB
简单起见，重新抓取的页面算作新页面
每月搜索量 1000 亿次
用更传统的系统来练习 —— 不要使用 solr 、nutch 之类的现成系统。

计算用量

如果你需要进行粗略的用量计算，请向你的面试官说明。

每月存储 2 PB 页面
每月抓取 40 亿个页面，每个页面 500 KB
三年存储 72 PB 页面
每秒 1600 次写请求
每秒 40000 次搜索请求

简便换算指南：

一个月有 250 万秒
每秒 1 个请求，即每月 250 万个请求
每秒 40 个请求，即每月 1 亿个请求
每秒 400 个请求，即每月 10 亿个请求

第二步： 概要设计

列出所有重要组件以规划概要设计。

第三步：设计核心组件

对每一个核心组件进行详细深入的分析。

用例：爬虫服务抓取一系列网页

假设我们有一个初始列表 links_to_crawl（待抓取链接），它最初基于网站整体的知名度来排序。当然如果这个假设不合理，我们可以使用 Yahoo、DMOZ 等知名门户网站作为种子链接来进行扩散 。

我们将用表 crawled_links （已抓取链接 ）来记录已经处理过的链接以及相应的页面签名。

我们可以将 links_to_crawl 和 crawled_links 记录在键-值型 NoSQL 数据库中。对于 crawled_links 中已排序的链接，我们可以使用 Redis 的有序集合来维护网页链接的排名。我们应当在 选择 SQL 还是 NoSQL 的问题上，讨论有关使用场景以及利弊 。

爬虫服务按照以下流程循环处理每一个页面链接：

选取排名最靠前的待抓取链接

在 NoSQL 数据库的 crawled_links 中，检查待抓取页面的签名是否与某个已抓取页面的签名相似
若存在，则降低该页面链接的优先级
这样做可以避免陷入死循环
继续（进入下一次循环）
若不存在，则抓取该链接
在倒排索引服务任务队列中，新增一个生成倒排索引任务。
在文档服务任务队列中，新增一个生成静态标题和摘要的任务。
生成页面签名
在 NoSQL 数据库的 links_to_crawl 中删除该链接
在 NoSQL 数据库的 crawled_links 中插入该链接以及页面签名

向面试官了解你需要写多少代码。

PagesDataStore 是爬虫服务中的一个抽象类，它使用 NoSQL 数据库进行存储。

class PagesDataStore(object):

    def __init__(self, db);
        self.db = db
        ...

    def add_link_to_crawl(self, url):
        """将指定链接加入 `links_to_crawl`。"""
        ...

    def remove_link_to_crawl(self, url):
        """从 `links_to_crawl` 中删除指定链接。"""
        ...

    def reduce_priority_link_to_crawl(self, url)
        """在 `links_to_crawl` 中降低一个链接的优先级以避免死循环。"""
        ...

    def extract_max_priority_page(self):
        """返回 `links_to_crawl` 中优先级最高的链接。"""
        ...

    def insert_crawled_link(self, url, signature):
        """将指定链接加入 `crawled_links`。"""
        ...

    def crawled_similar(self, signature):
        """判断待抓取页面的签名是否与某个已抓取页面的签名相似。"""
        ...

Page 是爬虫服务的一个抽象类，它封装了网页对象，由页面链接、页面内容、子链接和页面签名构成。

class Page(object):

    def __init__(self, url, contents, child_urls, signature):
        self.url = url
        self.contents = contents
        self.child_urls = child_urls
        self.signature = signature

Crawler 是爬虫服务的主类，由Page 和 PagesDataStore 组成。

class Crawler(object):

    def __init__(self, data_store, reverse_index_queue, doc_index_queue):
        self.data_store = data_store
        self.reverse_index_queue = reverse_index_queue
        self.doc_index_queue = doc_index_queue

    def create_signature(self, page):
        """基于页面链接与内容生成签名。"""
        ...

    def crawl_page(self, page):
        for url in page.child_urls:
            self.data_store.add_link_to_crawl(url)
        page.signature = self.create_signature(page)
        self.data_store.remove_link_to_crawl(page.url)
        self.data_store.insert_crawled_link(page.url, page.signature)

    def crawl(self):
        while True:
            page = self.data_store.extract_max_priority_page()
            if page is None:
                break
            if self.data_store.crawled_similar(page.signature):
                self.data_store.reduce_priority_link_to_crawl(page.url)
            else:
                self.crawl_page(page)

处理重复内容

我们要谨防网页爬虫陷入死循环，这通常会发生在爬虫路径中存在环的情况。

向面试官了解你需要写多少代码。

删除重复链接：

假设数据量较小，我们可以用类似于 sort | unique 的方法。（译注： 先排序，后去重）
假设有 10 亿条数据，我们应该使用 MapReduce 来输出只出现 1 次的记录。

class RemoveDuplicateUrls(MRJob):

    def mapper(self, _, line):
        yield line, 1

    def reducer(self, key, values):
        total = sum(values)
        if total == 1:
            yield key, total

比起处理重复内容，检测重复内容更为复杂。我们可以基于网页内容生成签名，然后对比两者签名的相似度。可能会用到的算法有 Jaccard index 以及 cosine similarity。

抓取结果更新策略

要定期重新抓取页面以确保新鲜度。抓取结果应该有个 timestamp 字段记录上一次页面抓取时间。每隔一段时间，比如说 1 周，所有页面都需要更新一次。对于热门网站或是内容频繁更新的网站，爬虫抓取间隔可以缩短。

尽管我们不会深入网页数据分析的细节，我们仍然要做一些数据挖掘工作来确定一个页面的平均更新时间，并且根据相关的统计数据来决定爬虫的重新抓取频率。

当然我们也应该根据站长提供的 Robots.txt 来控制爬虫的抓取频率。

用例：用户输入搜索词后，可以看到相关的搜索结果列表，列表每一项都包含由网页爬虫生成的页面标题及摘要

1、客户端向运行反向代理的 Web 服务器发送一个请求
2、Web 服务器 发送请求到 Query API 服务器
3、查询 API 服务将会做这些事情：

解析查询参数
删除 HTML 标记
将文本分割成词组 （译注： 分词处理）
修正错别字
规范化大小写
将搜索词转换为布尔运算

使用倒排索引服务来查找匹配查询的文档

倒排索引服务对匹配到的结果进行排名，然后返回最符合的结果

使用文档服务返回文章标题与摘要

我们使用 REST API 与客户端通信：

$ curl https://search.com/api/v1/search?query=hello+world

响应内容:

{
    "title": "foo's title",
    "snippet": "foo's snippet",
    "link": "https://foo.com",
},
{
    "title": "bar's title",
    "snippet": "bar's snippet",
    "link": "https://bar.com",
},
{
    "title": "baz's title",
    "snippet": "baz's snippet",
    "link": "https://baz.com",
},

对于服务器内部通信，我们可以使用 远程过程调用协议（RPC）

第四步：架构扩展

根据限制条件，找到并解决瓶颈。

重要提示：不要直接从最初设计跳到最终设计！

现在你要 1) 基准测试、负载测试。2) 分析、描述性能瓶颈。3) 在解决瓶颈问题的同时，评估替代方案、权衡利弊。4) 重复以上步骤。请阅读设计一个系统，并将其扩大到为数以百万计的 AWS 用户服务 来了解如何逐步扩大初始设计。

讨论初始设计可能遇到的瓶颈及相关解决方案是很重要的。例如加上一套配备多台 Web 服务器的负载均衡器是否能够解决问题？CDN呢？主从复制呢？它们各自的替代方案和需要权衡的利弊又有哪些呢？

我们将会介绍一些组件来完成设计，并解决架构规模扩张问题。内置的负载均衡器将不做讨论以节省篇幅。

为了避免重复讨论，请参考系统设计主题索引相关部分来了解其要点、方案的权衡取舍以及替代方案。

DNS
负载均衡器
水平扩展
Web 服务器（反向代理）
API 服务器（应用层）
缓存
NoSQL
一致性模式
可用性模式

有些搜索词非常热门，有些则非常冷门。热门的搜索词可以通过诸如 Redis 或者 Memcached 之类的内存缓存来缩短响应时间，避免倒排索引服务以及文档服务过载。内存缓存同样适用于流量分布不均匀以及流量短时高峰问题。从内存中读取 1 MB 连续数据大约需要 250 微秒，而从 SSD 读取同样大小的数据要花费 4 倍的时间，从机械硬盘读取需要花费 80 倍以上的时间。1

以下是优化爬虫服务的其他建议：

为了处理数据大小问题以及网络请求负载，倒排索引服务和文档服务可能需要大量应用数据分片和数据复制。
DNS 查询可能会成为瓶颈，爬虫服务最好专门维护一套定期更新的 DNS 查询服务。
借助于连接池，即同时维持多个开放网络连接，可以提升爬虫服务的性能并减少内存使用量。
改用 UDP 协议同样可以提升性能
网络爬虫受带宽影响较大，请确保带宽足够维持高吞吐量。

其它要点

是否深入这些额外的主题，取决于你的问题范围和剩下的时间。