手撸分布式爬虫框架
分布式爬虫：
分布式爬虫:
分布式进程和进程间通信的内容
案例：
爬取 2000 个百度百科网络爬虫词条以及相关词条的标题、摘要和链接等信息，采用分布式结构改写基础爬虫，使功能更加强大
爬虫结构：
模式：
分布式爬虫采用主从模式。主从模式是指由一台主机作为控制节点负责所有运行网络爬虫的主机进行管理，爬虫只需要从控制节点那里接收任务，并把新生成任务提交给控制节点就可以
分析：
爬虫节点运行过程中不必与其他爬虫通信 --利于管理
控制节点则需要与所有爬虫进行通信 （缺陷： 控制节点会成为整个系统的瓶颈，容易导致整个分布式网络爬虫系统性能下降）
构成：
三台主机进行分布式爬取，一台主机作为控制节点，另外两台主机作为爬虫节点
分工：
控制节点：
1.控制调度器 2.URL管理器 3.数据存储器
爬虫节点：
1.爬虫调度器 2.HTML下载器 3.HTML解析器
控制节点：
控制节点主要分为 URL 管理器、数据存储器和控制调度器:
控制调度器：
通过三个进程来协调 URL 管理器和数据存储器的工作：
一个是 URL 管理进程，负责 URL 的管理和将 URL 传递给爬虫节点，
一个是数据提取进程，负责读取爬虫节点返回的数据，将返回数据中的 URL 交给 URL 管理进程，将标题和摘要等数据交给数据存储进程
一个是数据存储进程，负责将数据提取进程中提交的数据进行本地存储
URL 管理器：
url 处理：
将爬取过的 URL 进行 MD5 处理，将生成的 MD5 摘要存储到 set 后 --》 减少内存消耗
添加了 save_progress 和load_progress 方法进行序列化的操作，将未爬取 URL 集合和已爬取的 URL 集合序列化到本地，保存当前的进度，以便下次恢复状态
URLManager.py
import cPickle
import hashlib
class UrlManager(object):
def __init__(self):
self.new_urls = self.load_progress('new_urls.txt')#未爬取 URL 集合
self.old_urls = self.load_progress('old_urls.txt')#已爬取 URL 集合
def has_new_url(self):
'''
判断是否有未爬取的 URL
:return:
'''
return self.new_url_size()!=0
def get_new_url(self):
'''
获取一个未爬取的 URL
:return:
'''
new_url = self.new_urls.pop()
m = hashlib.md5()
m.update(new_url)
self.old_urls.add(m.hexdigest()[8:-8])
return new_url
def add_new_url(self,url):
'''
将新的 URL 添加到未爬取的 URL 集合中
:param url:单个 URL
:return:
'''
if url is None:
return
m = hashlib.md5()
m.update(url)
url_md5 = m.hexdigest()[8:-8]
if url not in self.new_urls and url_md5 not in self.old_urls:
self.new_urls.add(url)
def add_new_urls(self,urls):
'''
将新的 URLS 添加到未爬取的 URL 集合中
:param urls:url 集合
:return:
'''
if urls is None or len(urls)==0:
return
for url in urls:
self.add_new_url(url)
def new_url_size(self):
'''
获取未爬取 URL 集合的 s 大小
:return:
'''
return len(self.new_urls)
def old_url_size(self):
'''
获取已经爬取 URL 集合的大小
:return:
'''
return len(self.old_urls)
def save_progress(self,path,data):
'''
保存进度
:param path:文件路径
:param data:数据
:return:
'''
with open(path, 'wb') as f:
cPickle.dump(data, f)
def load_progress(self,path):
'''
从本地文件加载进度
:param path:文件路径
:return:返回 set 集合
'''
print '[+] 从文件加载进度: %s' % path
try:
with open(path, 'rb') as f:
tmp = cPickle.load(f)
return tmp
except:
print '[!] 无进度文件, 创建: %s' % path
return set()
数据存储器：
生成文件按照当前时间进行命名避免重复，同时对文件进行缓存写入
import codecs
import time
class DataOutput(object):
def __init__(self):
self.filepath='baike_%s.html'%(time.strftime("%Y_%m_%d_%H_%M_%S", time.localtime()) )
self.output_head(self.filepath)
self.datas=[]
def store_data(self,data):
if data is None:
return
self.datas.append(data)
if len(self.datas)>10:
self.output_html(self.filepath)
def output_head(self,path):
'''
将 HTML 头写进去
:return:
'''
fout=codecs.open(path,'w',encoding='utf-8')
fout.write("<html>")
fout.write("<body>")
fout.write("<table>")
fout.close()
def output_html(self,path):
'''
将数据写入 HTML 文件中
:param path: 文件路径
:return:
'''
fout=codecs.open(path,'a',encoding='utf-8')
for data in self.datas:
fout.write("<tr>")
fout.write("<td>%s</td>"%data['url'])
fout.write("<td>%s</td>"%data['title'])
fout.write("<td>%s</td>"%data['summary'])
fout.write("</tr>")
self.datas.remove(data)
fout.close()
def ouput_end(self,path):
'''
输出 HTML 结束
:param path: 文件存储路径
:return:
'''
fout=codecs.open(path,'a',encoding='utf-8')
fout.write("</table>")
fout.write("</body>")
fout.write("</html>")
fout.close()
控制调度器：
控制调度器主要是产生并启动 URL 管理进程、数据提取进程和数据存储进程，同时维护 4 个队列保持进程间的通信
队列：
url_q 队列是 URL 管理进程将 URL 传递给爬虫节点的通道
result_q 队列是爬虫节点将数据返回给数据提取进程的通道
conn_q 队列是数据提取进程将新的 URL 数据提交给 URL 管理进程的通道
store_q 队列是数据提取进程将获取到的数据交给数据存储进程的通道
分布式进程：
创建一个分布式管理器
def start_Manager(self,url_q,result_q):
'''
创建一个分布式管理器 [linux 服务器上]
:param url_q: url 队列
:param result_q: 结果队列
:return:
'''
#把创建的两个队列注册在网络上，利用 register 方法，callable 参数关联了 Queue 对象，
# 将 Queue 对象在网络中暴露
BaseManager.register('get_task_queue',callable=lambda:url_q)
BaseManager.register('get_result_queue',callable=lambda:result_q)
#绑定端口 8001，设置验证口令‘baike’。这个相当于对象的初始化
manager=BaseManager(address=('',8001),authkey='baike')
#返回 manager 对象
return manage
URL 管理进程将从 conn_q 队列获取到的新 URL 提交给 URL 管理器，经过去重之后，取出 URL 放入 url_queue 队列中传递给爬虫节点
def url_manager_proc(self,url_q,conn_q,root_url):
url_manager = UrlManager()
url_manager.add_new_url(root_url)
while True:
while(url_manager.has_new_url()):
#从 URL 管理器获取新的 url
new_url = url_manager.get_new_url()
#将新的 URL 发给工作节点
url_q.put(new_url)
print 'old_url=',url_manager.old_url_size()
#加一个判断条件，当爬去 2000 个链接后就关闭,并保存进度
if(url_manager.old_url_size()>2000):
#通知爬行节点工作结束
url_q.put('end')
print '控制节点发起结束通知!
#关闭管理节点，同时存储 set 状态
url_manager.save_progress('new_urls.txt',url_manager.new_urls)
url_manager.save_progress('old_urls.txt',url_manager.old_urls)
return
#将从 result_solve_proc 获取到的 urls 添加到 URL 管理器之间
try:
if not conn_q.empty():
urls = conn_q.get()
url_manager.add_new_urls(urls)
except BaseException,e:
time.sleep(0.1)#延时休息
数据提取进程从 result_queue 队列读取返回的数据，并将数据中的 URL 添加到conn_q 队列交给 URL 管理进程，将数据中的文章标题和摘要添加到 store_q 队列交给数据存储进程
def result_solve_proc(self,result_q,conn_q,store_q):
while(True):
try:
if not result_q.empty():
content = result_q.get(True)
if content['new_urls']=='end':
#结果分析进程接受通知然后结束
print '结果分析进程接受通知然后结束!'
store_q.put('end')
return
conn_q.put(content['new_urls'])#url 为 set 类型
store_q.put(content['data'])#解析出来的数据为 dict 类型
else:
time.sleep(0.1)#延时休息
except BaseException,e:
time.sleep(0.1)#延时休息
数据存储进程从 store_q 队列中读取数据，并调用数据存储器进行数据存储
def store_proc(self,store_q):
output = DataOutput()
while True:
if not store_q.empty():
data = store_q.get()
if data=='end':
print '存储进程接受通知然后结束!'
output.ouput_end(output.filepath)
return
output.store_data(data)
else:
time.sleep(0.1)
最后将分布式管理器、URL 管理进程、 数据提取进程和数据存储进程进行启动,并初始化队列
if __name__=='__main__':
#初始化 4 个队列
url_q = Queue()
result_q = Queue()
store_q = Queue()
conn_q = Queue()
#创建分布式管理器
node = NodeManager()
manager = node.start_Manager(url_q,result_q)
#创建 URL 管理进程、 数据提取进程和数据存储进程
url_manager_proc = Process(target=node.url_manager_proc,args=(url_q,conn_q,'http://baike.baidu.com/view/284853.htm',))
result_solve_proc = Process(target=node.result_solve_proc, args=(result_q,conn_q,store_q,))
store_proc = Process(target=node.store_proc, args=(store_q,))
#启动 3 个进程和分布式管理器
url_manager_proc.start()
result_solve_proc.start()
store_proc.start()
manager.get_server().serve_forever()
爬虫节点：
组成：
包含 HTML 下载器、HTML 解析器和爬虫调度器
流程：
爬虫调度器从控制节点中的 url_q 队列读取 URL
爬虫调度器调用 HTML 下载器、HTML 解析器获取网页中新的 URL 和标题摘要
最后爬虫调度器将新的 URL 和标题摘要传入 result_q 队列交给控制节点
html 下载器：
import requests
class HtmlDownloader(object):
def download(self,url):
if url is None:
return None
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers={'User-Agent':user_agent}
r = requests.get(url,headers=headers)
if r.status_code==200:
r.encoding='utf-8' # 编码注意
return r.text
return None
html解析器：
import re
import urlparse
from bs4 import BeautifulSoup
class HtmlParser(object):
def parser(self,page_url,html_cont):
'''
用于解析网页内容抽取 URL 和数据
:param page_url: 下载页面的 URL
:param html_cont: 下载的网页内容
:return:返回 URL 和数据
'''
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont,'html.parser',from_encoding='utf-8')
new_urls = self._get_new_urls(page_url,soup)
new_data = self._get_new_data(page_url,soup)
return new_urls,new_data
def _get_new_urls(self,page_url,soup):
'''
抽取新的 URL 集合
:param page_url: 下载页面的 URL
:param soup:soup
:return: 返回新的 URL 集合
'''
new_urls = set()
#抽取符合要求的 a 标签
links = soup.find_all('a',href=re.compile(r'/view/d+.htm'))
for link in links:
#提取 href 属性
new_url = link['href']
#拼接成完整网址
new_full_url = urlparse.urljoin(page_url,new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self,page_url,soup):
'''
抽取有效数据
:param page_url:下载页面的 URL
:param soup:
:return:返回有效数据
'''
data={}
data['url']=page_url
title = soup.find('dd',class_='lemmaWgt-lemmaTitle-title').find('h1')
data['title']=title.get_text()
summary = soup.find('div',class_='lemma-summary')
#获取 tag 中包含的所有文版内容包括子孙 tag 中的内容,并将结果作为 Unicode 字符串返回
data['summary']=summary.get_text()
return data
爬虫调度器:
爬虫调度器需要用到分布式进程中工作进程的代码,爬虫调度器需要先连接上控制节点，然后依次完成从 url_q 队列中获取URL，下载并解析网页，将获取的数据交给 result_q 队列，返回给控制节点等各项任务，
class SpiderWork(object):
def __init__(self):
#初始化分布式进程中的工作节点的连接工作
# 实现第一步：使用 BaseManager 注册获取 Queue 的方法名称
BaseManager.register('get_task_queue')
BaseManager.register('get_result_queue')
# 实现第二步：连接到服务器:
server_addr = '127.0.0.1'
print('Connect to server %s...' % server_addr)
# 端口和验证口令注意保持与服务进程设置的完全一致:
self.m = BaseManager(address=(server_addr, 8001), authkey='baike')
# 从网络连接:
self.m.connect()
# 实现第三步：获取 Queue 的对象:
self.task = self.m.get_task_queue()
self.result = self.m.get_result_queue()
#初始化网页下载器和解析器
self.downloader = HtmlDownloader()
self.parser = HtmlParser()
print 'init finish'
def crawl(self):
while(True):
try:
if not self.task.empty():
url = self.task.get()
if url =='end':
print '控制节点通知爬虫节点停止工作...'
#接着通知其它节点停止工作
self.result.put({'new_urls':'end','data':'end'})
return
print '爬虫节点正在解析:%s'%url.encode('utf-8')
content = self.downloader.download(url)
new_urls,data = self.parser.parser(url,content)
self.result.put({"new_urls":new_urls,"data":data})
except EOFError,e:
print "连接工作节点失败"
return
except Exception,e:
print e
print 'Crawl fali '
if __name__=="__main__":
spider = SpiderWork()
spider.crawl()
测试
ip 配置：
在爬虫调度器设置了一个本地 IP：127.0.0.1
测试：
在一台机器上测试代码的正确性
服务器：
用三台 VPS 服务器，两台运行爬虫节点程序，将 IP 改为控制节点主机的公网 IP，一台运行控制节点程序，进行分布式爬取
问题：
分布式爬虫的难点在于节点的调度，什么样的结构能让各个节点稳定高效的运作才是分布式爬虫要考虑的核心内容