基于golang分布式爬虫系统的架构体系v1.0

---

一、什么是分布式系统

---

分布式系统是一个硬件或软件组件分布在不同的网络计算机上，彼此之间仅仅通过消息传递进行通信和协调的系统。简单来说就是一群独立计算机集合共同对外提供服务，但是对于系统的用户来说，就像是一台计算机在提供服务一样。分布式意味着可以采用更多的普通计算机（相对于昂贵的大型机）组成分布式集群对外提供服务。计算机越多，CPU、内存、存储资源等也就越多，能够处理的并发访问量也就越大。

从分布式系统的概念中我们知道，各个主机之间通信和协调主要通过网络进行，所以分布式系统中的计算机在空间上几乎没有任何限制，这些计算机可能被放在不同的机柜上，也可能被部署在不同的机房中，还可能在不同的城市中，对于大型的网站甚至可能分布在不同的国家和地区。

二、分布式系统的特点

---

不同的资料介绍起分布式系统的特点，虽然说法不同，但都大同小异，此处我们针对于要实现的分布式爬虫，总结为以下3个特点：

多个节点

容错性

可扩展性(性能)

固有分布性

消息传递

节点具有私有存储

易于开发

可扩展性(功能)

对比：并行计算

完成特定需求

消息传递的方法：

REST

RPC

中间件

三、需求说明设计要点

---

在爬虫的开发过程中，有些业务场景须要同一时候抓取几百个甚至上千个站点，此时就须要一个支持多爬虫的框架。在设计时应该要注意下面几点：

代码复用。功能模块化。假设针对每一个站点都写一个完整的爬虫。那当中必然包括了很多反复的工作。不仅开发效率不高。并且到后期整个爬虫项目会变得臃肿、难以管理。

易扩展。多爬虫框架，这最直观的需求就是方便扩展。新增一个待爬的目标站点，我仅仅须要写少量 必要的内容（如抓取规则、解析规则、入库规则），这样最快 最好。

健壮性、可维护性。

这么多站点同一时候抓取，报错的概率更大。比如断网、中途被防爬、爬到“脏数据”等等。所以必须要做好日志监控，能实时监控爬虫系统的状态，能准确、具体地定位报错信息；另外要做好各种异常处理，假设你放假回来发现爬虫由于一个小问题已经挂掉了，那你会由于浪费了几天时间而可惜的（尽管其实我个人会不时地远程查看爬虫状态）。

分布式。多站点抓取。数据量一般也比較大，可分布式扩展。这也是必需的功能了。分布式。须要注意做好消息队列。做好多结点统一去重。

爬虫优化。

这就是大话题了，但最主要的。框架应该要基于异步，或者使用协程+多进程。

四、项目架构分析

4.1 去重问题

---

可以尝试写布隆过滤器来更快的实现改需求

• 问题：

• 单节点承受的去重数据量有限

• 无法保存之前去重结果(因为是存入到内存(map))

• 解决：

• 基于Key-Value Stroe(如Redis)进行分布式去重

4.2 数据存储问题

问题：

• 存储部分的结构，技术栈和爬虫部分区别很大

• 进一步优化需要特殊的ElasticSearch技术背景

• 解决：

• 存储服务

复杂分布式爬虫系统的大框架，具体实现的时候，还有很多的细节需要处理，这时，之前做过爬虫系统，踩过坑的经验就很重要了。