WebMagic-Avalon之分布式实现方案

WebMagic之前具有基本的分布式功能，可以将一个Spider部署到多台机器上，并通过Redis来管理URL，达到多机合作抓取的目标。

我在WebMagic-Avalon里计划完成一个管理后台，通过这个后台可以新建、管理和监控爬虫，具体的产品形态，见草图http://my.oschina.net/flashsword/blog/202889。

这个系统涉及到一个Spider的动态创建和管理的问题。之前WebMagic是一个Java应用内部框架，并不具有动态创建的能力，也没有外部管理的能力。于是，在WebMagic-Avalon里，需要一个新的分布式方案。

总体架构：

这个系统共有4个角色：

Scheduler:

Scheduler是WebMagic的基本角色，它对需要抓取的URL进行管理，并进行去重等工作。Scheduler是集中式的，使用Redis来实现Scheduler是比较好的选择。

Spider:

Spider是WebMagic的基本角色，即对某一个站点的爬虫，它包括下载、解析以及持久化的工作。它会从Scheduler中拉到URL来处理，并添加新的URL到Scheduler。Spider是多线程的，单机的多个Spider可能会共用一个线程池。

Worker:

Worker对应一台机器，它包含多个Spider，提供Http方式的API，供外部系统进行控制，从而在本地创建、管理Spider。Worker是无状态的，非常容易水平扩展。

Admin:

Admin对应一台机器，它知道所有Worker的地址，提供Web页面，开发者可以在Admin的页面操作，操作后Admin发送Http请求到Worker来发布任务。

其他技术选型：

1. 容器：

• Worker和Admin都是war包，可以部署到Web容器中，同时也内置Jetty，支持直接启动。
• 考虑到维护性问题，Web框架还是使用较为主流的Spring MVC。

2. 存储：

• 系统内部的信息存储使用Mysql，可能后期会提供一个本地化的数据库如H2，以做到开箱即用。
• URL管理基于Redis，虽然数据规模小的时候，Mysql也能胜任，但是Redis仍然最理想的选择。
• 抓取结果的存储由用户自定义，默认支持Mysql和文件。

3. 通讯：

• Admin和Worker直接通过Http API通讯，数据交换格式为JSON。
• Admin可以直接发布爬虫需求，使用forger在客户端解析配置，并产生新爬虫。