VB.net 2010 视频教程 VB.net 2010 视频教程 python基础视频教程
SQL Server 2008 视频教程 c#入门经典教程 Visual Basic从门到精通视频教程
当前位置:
首页 > 编程开发 > python爬虫 >
  • 玩玩小爬虫——试搭小架构

 

     第一篇我们做了一个简单的页面广度优先来抓取url,很显然缺点有很多,第一:数据结构都是基于内存的,第二:单线程抓取

速度太慢,在实际开发中肯定不会这么做的,起码得要有序列化到硬盘的机制,对于整个爬虫架构来说,构建好爬虫队列相当重要。

     先上一幅我自己构思的架构图,不是很完善,算是一个雏形吧。

一:TODO队列和Visited集合

     在众多的nosql数据库中,mongodb还是很不错的,这里也就选择它了,做集群,做分片轻而易举。

二:中央处理器

     群架,斗殴都是有带头的,那中央处理器就可以干这样的事情,它的任务很简单,

    第一: 启动时,根据我们定义好的规则将种子页面分发到各个执行服务器。

    第二: 定时轮询”TODO——MongoDB“,将读取的新Url根据规则分发到对应的执行服务器中。

三:分发服务器

    中央处理器将url分发到了执行服务器的内存中,分发服务器可以开启10个线程依次读取队列来获取url,然后解析url,

第一:如果url是外链,直接剔除。

第二:如果url不是本机负责抓取的,就放到”TODO——MongoDB“中。

第三:如果是本机负责的,将新提取的url放入本机内存队列中。

 

 四:代码实现

 首先下载mongodb http://www.mongodb.org/downloads,简单起见就在一个database里面建两个collection。迫不及

待了,我要爬一个美女网站,http://www.800meinv.com ,申明一下,并非推广网站,看下”中央处理器“的实现。

复制代码
 1 namespace CrawlerCPU
 2 {
 3     /* 根据规格,一个服务爬取3个导航页(由 中央处理器 统一管理)
 4      * 第一个服务:日韩时装,港台时装
 5      * 第二个服务:,欧美时装,明星穿衣,显瘦搭配
 6      * 第三个服务:少女搭配,职场搭配,裙装搭配
 7      */
 8     public class Program
 9     {
10         static Dictionary<string, string> dicMapping = new Dictionary<string, string>();
11 
12         static void Main(string[] args)
13         {
14             //初始Url的分发
15             foreach (var key in ConfigurationManager.AppSettings)
16             {
17                 var factory = new ChannelFactory<ICrawlerService>(new NetTcpBinding(), new EndpointAddress(key.ToString()))
18                                  .CreateChannel();
19 
20                 var urls = ConfigurationManager.AppSettings[key.ToString()]
21                                                .Split(new char[] { ';' }, StringSplitOptions.RemoveEmptyEntries)
22                                                .ToList();
23 
24                 factory.AddRange(urls);
25 
26                 //将网址和“WCF分发地址“建立Mapping映射
27                 foreach (var item in urls)
28                     dicMapping.Add(item, key.ToString());
29             }
30 
31             Console.WriteLine("爬虫 中央处理器开启,正在监视TODO列表!");
32 
33             //开启定时监视MongoDB
34             Timer timer = new Timer();
35 
36             timer.Interval = 1000 * 10; //10s轮询一次
37             timer.Elapsed += new ElapsedEventHandler(timer_Elapsed);
38             timer.Start();
39 
40             Console.Read();
41         }
42 
43         static void timer_Elapsed(object sender, ElapsedEventArgs e)
44         {
45             //获取mongodb里面的数据
46             MongodbHelper<Message> mongodb = new MongodbHelper<Message>("todo");
47 
48             //根据url的类型分发到相应的服务器中去处理
49             var urls = mongodb.List(100);
50 
51             if (urls == null || urls.Count == 0)
52                 return;
53 
54             foreach (var item in dicMapping.Keys)
55             {
56                 foreach (var url in urls)
57                 {
58                     //寻找正确的 wcf 分发地址
59                     if (url.Url.StartsWith(item))
60                     {
61                         var factory = new ChannelFactory<ICrawlerService>(new NetTcpBinding(),
62                                       new EndpointAddress(dicMapping[item]))
63                                       .CreateChannel();
64 
65                         //向正确的地方分发地址
66                         factory.Add(url.Url);
67 
68                         break;
69                     }
70                 }
71             }
72 
73             //删除mongodb中的TODO表中指定数据
74             mongodb.Remove(urls);
75         }
76     }
77 }
复制代码

接下来,我们开启WCF服务,当然我们可以做10份,20份的copy,核心代码如下:

复制代码
 1         /// <summary>
 2         /// 开始执行任务
 3         /// </summary>
 4         public static void Start()
 5         {
 6             while (true)
 7             {
 8                 //监视工作线程,如果某个线程已经跑完数据,则重新分配任务给该线程
 9                 for (int j = 0; j < 10; j++)
10                 {
11                     if (tasks[j] == null || tasks[j].IsCompleted || tasks[j].IsCanceled || tasks[j].IsFaulted)
12                     {
13                         //如果队列还有数据
14                         if (todoQueue.Count > 0)
15                         {
16                             string currentUrl = string.Empty;
17 
18                             todoQueue.TryDequeue(out currentUrl);
19 
20                             Console.WriteLine("当前队列的个数为:{0}", todoQueue.Count);
21 
22                             tasks[j] = Task.Factory.StartNew((obj) =>
23                             {
24                                 DownLoad(obj.ToString());
25 
26                             }, currentUrl);
27                         }
28                     }
29                 }
30             }
31         }
复制代码

然后我们把”分发服务器“和”中央处理器“开启:

好了,稍等会,我们就会看到,数据已经哗啦啦的往mongodb里面跑了。

 

五:不足点

    有的时候会出现某些机器非常free,而某些机器非常busy,这时就要实现双工通讯了,当执行服务器的内存队列到达

一个量级的时候就应该通知中央处理器,要么减缓对该执行服务器的任务分发,要么将任务分给其他的执行服务器。

最后是工程代码,有什么好的建议可以提出来,大家可以一起研究研究:

http://files.cnblogs.com/huangxincheng/ConsoleApplication1.rar
 

出处:https://www.cnblogs.com/huangxincheng/archive/2012/11/04/2754059.html

相关教程