趙 宸 劉建華

（西安郵電大學(xué) 西安 710121）

1 引言

網(wǎng)絡(luò)爬蟲［9］是一種按照一定的規(guī)則，自動(dòng)地抓取萬維網(wǎng)信息的程序或者腳本，目前主流的爬蟲框架Nutch、Crawler4j、WebMagic、scrapy、WebCollector均沒有在運(yùn)行的爬蟲中實(shí)時(shí)更新代碼并自動(dòng)重新載入的功能，本文利用Django 框架［2］中自動(dòng)重載機(jī)制，使用Python［6］語言開發(fā)了分布式［4～5］、多進(jìn)程爬蟲框架［1］，實(shí)現(xiàn)了可在運(yùn)行的爬蟲中實(shí)時(shí)更新代碼并自動(dòng)重新載入內(nèi)存執(zhí)行的功能，同時(shí)，根據(jù)下載過程中的斷點(diǎn)續(xù)傳［7］思想，使用Redis［3，16］開發(fā)了任務(wù)隊(duì)列技術(shù)，實(shí)現(xiàn)了重新載入爬蟲代碼后從斷點(diǎn)恢復(fù)任務(wù)狀態(tài)并繼續(xù)執(zhí)行后續(xù)任務(wù)的功能，并解決了重新載入后數(shù)據(jù)丟失問題。實(shí)驗(yàn)表明，爬蟲框架可識(shí)別爬蟲代碼變化并重新載入到內(nèi)存運(yùn)行，重新載入后不會(huì)丟失數(shù)據(jù)，且相對(duì)其他分布式網(wǎng)絡(luò)爬蟲，性能提升了40.7%，節(jié)約了數(shù)據(jù)獲取成本。

2 框架設(shè)計(jì)

爬蟲框架基于Django框架開發(fā)，由集中式的爬蟲服務(wù)和任務(wù)隊(duì)列以及分布式的爬蟲實(shí)例構(gòu)成，并利用了Django 框架的ORM［10］封裝了數(shù)據(jù)處理模塊。如圖1 所示，爬蟲服務(wù)將用戶初始任務(wù)存入任務(wù)隊(duì)列中，由分布式爬蟲實(shí)例中的爬蟲主進(jìn)程獲取并分配給爬蟲子進(jìn)程執(zhí)行與處理，所有爬蟲實(shí)例的結(jié)構(gòu)與內(nèi)容相同，保證了任務(wù)處理的負(fù)載均衡。

爬蟲實(shí)例由爬蟲主進(jìn)程、爬蟲子進(jìn)程、任務(wù)模塊、數(shù)據(jù)處理模塊、抓取器、下載器、解析器、日志模塊和各站點(diǎn)爬蟲組成等組成，所有模塊均可調(diào)用日志模塊并輸出日志。爬蟲實(shí)例執(zhí)行任務(wù)流程使用偽代碼描述如下：

圖1 爬蟲框架結(jié)構(gòu)圖

3 系統(tǒng)實(shí)現(xiàn)

3.1 可重載的爬蟲實(shí)例

首先，Django框架的自動(dòng)重載機(jī)制［11］實(shí)現(xiàn)原理是每隔1 秒根據(jù)每個(gè)文件的最后修改時(shí)間來判斷文件是否被修改，如果修改，則退出舊進(jìn)程，啟動(dòng)新進(jìn)程執(zhí)行修改后的代碼。爬蟲實(shí)例的自動(dòng)重載基于這一原理實(shí)現(xiàn)，首先，將爬蟲框架的基本組件和爬蟲文件組織成Django 項(xiàng)目中的APP 包，如圖2 所示。然后，改寫Django 的命令行模塊，使原來的啟動(dòng)站點(diǎn)服務(wù)的命令行功能變成執(zhí)行爬蟲主進(jìn)程，并設(shè)置運(yùn)行參數(shù)為“—reload”，從而將爬蟲框架和爬蟲代碼列入自動(dòng)重載機(jī)制中，這樣更新爬蟲代碼時(shí)，Django 框架會(huì)通過重載重新執(zhí)行爬蟲主進(jìn)程，從而執(zhí)行新的爬蟲代碼。

圖2 爬蟲實(shí)例結(jié)構(gòu)

3.2 任務(wù)隊(duì)列

在分布式環(huán)境下，爬蟲主進(jìn)程重新載入后，為了找回?cái)帱c(diǎn)以及防止正在執(zhí)行的任務(wù)丟失，本文利用Redis設(shè)計(jì)了爬蟲框架的任務(wù)隊(duì)列系統(tǒng)。

如圖3 所示，除了“任務(wù)隊(duì)列”，還設(shè)計(jì)了“本地正在執(zhí)行的任務(wù)隊(duì)列”。爬蟲主進(jìn)程將調(diào)度成功的任務(wù)同步寫入“本地正在執(zhí)行的任務(wù)隊(duì)列”，發(fā)生爬蟲主進(jìn)程重載時(shí)，會(huì)重新執(zhí)行“本地正在執(zhí)行的任務(wù)隊(duì)列”中的任務(wù)，當(dāng)爬蟲子進(jìn)程完成任務(wù)后會(huì)從該隊(duì)列中刪除任務(wù)。同時(shí)，為了保證重新載入過程中不對(duì)數(shù)據(jù)讀寫產(chǎn)生影響，框架中對(duì)Redis 和數(shù)據(jù)庫的操作兼具備原子性［12］，使用管道技術(shù)讀寫Re?dis 以及封裝數(shù)據(jù)庫讀寫都保證了重新載入時(shí)的操作回滾。

圖3 Redis任務(wù)隊(duì)列

初始任務(wù)在寫入任務(wù)隊(duì)列時(shí)，由框架分配唯一ID，爬蟲由此任務(wù)不斷產(chǎn)生的新任務(wù)共用這個(gè)ID，在分布式環(huán)境中，爬蟲主進(jìn)程判斷一個(gè)任務(wù)完成的標(biāo)志由式（1）計(jì)算得出，其中，NR為此ID 任務(wù)剩余數(shù)量，NA為新任務(wù)數(shù)量，每個(gè)分布式爬蟲實(shí)例新增一個(gè)任務(wù)，即增1，NF為已完成的任務(wù)數(shù)量，在爬蟲子進(jìn)程釋放資源時(shí)設(shè)置，NE為出錯(cuò)的任務(wù)數(shù)量，判斷此ID 任務(wù)完成的條件為：NR=0。例如，完成初始任務(wù)后，產(chǎn)生一個(gè)新任務(wù)，則在釋放資源前對(duì)NA進(jìn)行加一操作，此時(shí)NR為1＞0。在完成非初始任務(wù)的這個(gè)任務(wù)后，如果又產(chǎn)生2 個(gè)新任務(wù)，則在釋放資源前先經(jīng)行NF增1 操作，并對(duì)NR進(jìn)行增2 操作，此時(shí)NR為2＞0。當(dāng)完成新產(chǎn)生的2 個(gè)任務(wù)且未產(chǎn)生新任務(wù)時(shí)，做NF增2 操作，此時(shí)NR為0，可判斷任務(wù)結(jié)束。

4 框架測(cè)試與分析

4.1 自動(dòng)重載測(cè)試

測(cè)試目的：測(cè)試分布式爬蟲實(shí)例在運(yùn)行過程中更新代碼，是否可以自動(dòng)重新載入且不丟失數(shù)據(jù)。

測(cè)試環(huán)境：在內(nèi)網(wǎng)IP 末尾分別為239 和240 兩臺(tái)Linux 服務(wù)器［13］上部署爬蟲實(shí)例，在239 服務(wù)器上部署爬蟲服務(wù)和任務(wù)隊(duì)列。

測(cè)試方法：發(fā)送4個(gè)相同的爬蟲任務(wù)，在240節(jié)點(diǎn)爬蟲實(shí)例運(yùn)行過程中，多次使用git［14～15］將添加了空格的爬蟲代碼從代碼倉庫直接同步到本地，測(cè)試爬蟲實(shí)例自動(dòng)重新載入的情況。

測(cè)試結(jié)果：如圖4 所示，代碼發(fā)生變化后，運(yùn)行中的爬蟲實(shí)例實(shí)現(xiàn)了自動(dòng)重新載入。由圖5 可知，在分布式環(huán)境中，4 個(gè)相同的任務(wù)在有爬蟲節(jié)點(diǎn)重載的情況下，最終獲取的數(shù)據(jù)數(shù)量相同。

圖4 爬蟲重載測(cè)試

圖5 爬蟲重載測(cè)試結(jié)果

結(jié)論：運(yùn)行中的爬蟲實(shí)例可在代碼更新后實(shí)現(xiàn)自動(dòng)重新載入，并且任意時(shí)刻的重新載入不會(huì)對(duì)數(shù)據(jù)結(jié)果產(chǎn)生影響。

4.2 爬蟲性能測(cè)試

測(cè)試目的：測(cè)試爬蟲獲取數(shù)據(jù)的速度，并與已有分布式爬蟲對(duì)比。

測(cè)試環(huán)境：為保證對(duì)比測(cè)試環(huán)境統(tǒng)一，調(diào)整測(cè)試環(huán)境：Cpu核心數(shù)為12個(gè)，網(wǎng)絡(luò)1Gbps，內(nèi)存8G。

測(cè)試方法：運(yùn)行鏈家二手房爬蟲，發(fā)送“上海市”關(guān)鍵詞為初始任務(wù)，爬取上海市鏈家站點(diǎn)的全部二手房掛牌房源信息，每條房源數(shù)據(jù)需分別請(qǐng)求詳細(xì)頁和過去看房次數(shù)頁面。

測(cè)試結(jié)果：圖6 中方框分別對(duì)應(yīng)第一條數(shù)據(jù)和最后一條數(shù)據(jù)的入庫時(shí)間，由此可見，框架中的爬蟲在約77min左右的時(shí)間內(nèi)獲取了54256條房源信息，平均1 秒11.725 條數(shù)據(jù)，即下載速度約為23.451（URL/s），平均單進(jìn)程單頁面耗時(shí)1.023s。

結(jié)論：相比其他分布式網(wǎng)絡(luò)爬蟲［8］同等測(cè)試環(huán)境下的16.666（URL/s）下載速度，該框架下的爬蟲下載速度提升了（23.451-16.666）/16.666=40.7%的性能。

圖6 上海鏈家二手房數(shù)據(jù)

5 結(jié)語

該爬蟲框架是一個(gè)多進(jìn)程、分布式的爬蟲框架，借助Django 框架特性，具有隨時(shí)更新爬蟲代碼后自動(dòng)重新載入的功能，并且重新載入過程中不會(huì)丟數(shù)據(jù)，可使用腳本批量更新集群中的爬蟲代碼，使得爬蟲的開發(fā)和維護(hù)變的十分方便，同時(shí)相較其他分布式爬蟲方案，本文框架可提升爬蟲40.7%的性能，降低了數(shù)據(jù)獲取成本。