设计一个网页爬虫

注意:这个文档中的链接会直接指向系统设计主题索引中的有关部分,以避免重复的内容。你可以参考链接的相关内容,来了解其总的要点、方案的权衡取舍以及可选的替代方案。

第一步:简述用例与约束条件

把所有需要的东西聚集在一起,审视问题。不停的提问,以至于我们可以明确使用场景和约束。讨论假设。

我们将在没有面试官明确说明问题的情况下,自己定义一些用例以及限制条件。

用例

我们把问题限定在仅处理以下用例的范围中

  • 服务 抓取一系列链接:
    • 生成包含搜索词的网页倒排索引
    • 生成页面的标题和摘要信息
      • 页面标题和摘要都是静态的,它们不会根据搜索词改变
  • 用户 输入搜索词后,可以看到相关的搜索结果列表,列表每一项都包含由网页爬虫生成的页面标题及摘要
    • 只给该用例绘制出概要组件和交互说明,无需讨论细节
  • 服务 具有高可用性

无需考虑

  • 搜索分析
  • 个性化搜索结果
  • 页面排名

限制条件与假设

提出假设

  • 搜索流量分布不均
    • 有些搜索词非常热门,有些则非常冷门
  • 只支持匿名用户
  • 用户很快就能看到搜索结果
  • 网页爬虫不应该陷入死循环
    • 当爬虫路径包含环的时候,将会陷入死循环
  • 抓取 10 亿个链接
    • 要定期重新抓取页面以确保新鲜度
    • 平均每周重新抓取一次,网站越热门,那么重新抓取的频率越高
      • 每月抓取 40 亿个链接
    • 每个页面的平均存储大小:500 KB
      • 简单起见,重新抓取的页面算作新页面
  • 每月搜索量 1000 亿次

用更传统的系统来练习 —— 不要使用 solrnutch 之类的现成系统。

计算用量

如果你需要进行粗略的用量计算,请向你的面试官说明。

  • 每月存储 2 PB 页面
    • 每月抓取 40 亿个页面,每个页面 500 KB
    • 三年存储 72 PB 页面
  • 每秒 1600 次写请求
  • 每秒 40000 次搜索请求

简便换算指南:

  • 一个月有 250 万秒
  • 每秒 1 个请求,即每月 250 万个请求
  • 每秒 40 个请求,即每月 1 亿个请求
  • 每秒 400 个请求,即每月 10 亿个请求

第二步: 概要设计

列出所有重要组件以规划概要设计。

Imgur

第三步:设计核心组件

对每一个核心组件进行详细深入的分析。

用例:爬虫服务抓取一系列网页

假设我们有一个初始列表 links_to_crawl(待抓取链接),它最初基于网站整体的知名度来排序。当然如果这个假设不合理,我们可以使用 YahooDMOZ 等知名门户网站作为种子链接来进行扩散 。

我们将用表 crawled_links (已抓取链接 )来记录已经处理过的链接以及相应的页面签名。

我们可以将 links_to_crawlcrawled_links 记录在键-值型 NoSQL 数据库中。对于 crawled_links 中已排序的链接,我们可以使用 Redis 的有序集合来维护网页链接的排名。我们应当在 选择 SQL 还是 NoSQL 的问题上,讨论有关使用场景以及利弊

  • 爬虫服务按照以下流程循环处理每一个页面链接:
    • 选取排名最靠前的待抓取链接
      • NoSQL 数据库crawled_links 中,检查待抓取页面的签名是否与某个已抓取页面的签名相似
        • 若存在,则降低该页面链接的优先级
          • 这样做可以避免陷入死循环
          • 继续(进入下一次循环)
        • 若不存在,则抓取该链接
          • 倒排索引服务任务队列中,新增一个生成倒排索引任务。
          • 文档服务任务队列中,新增一个生成静态标题和摘要的任务。
          • 生成页面签名
          • NoSQL 数据库links_to_crawl 中删除该链接
          • NoSQL 数据库crawled_links 中插入该链接以及页面签名

向面试官了解你需要写多少代码

PagesDataStore爬虫服务中的一个抽象类,它使用 NoSQL 数据库进行存储。

class PagesDataStore(object):

    def __init__(self, db);
        self.db = db
        ...

    def add_link_to_crawl(self, url):
        """将指定链接加入 `links_to_crawl`。"""
        ...

    def remove_link_to_crawl(self, url):
        """从 `links_to_crawl` 中删除指定链接。"""
        ...

    def reduce_priority_link_to_crawl(self, url)
        """在 `links_to_crawl` 中降低一个链接的优先级以避免死循环。"""
        ...

    def extract_max_priority_page(self):
        """返回 `links_to_crawl` 中优先级最高的链接。"""
        ...

    def insert_crawled_link(self, url, signature):
        """将指定链接加入 `crawled_links`。"""
        ...

    def crawled_similar(self, signature):
        """判断待抓取页面的签名是否与某个已抓取页面的签名相似。"""
        ...

Page爬虫服务的一个抽象类,它封装了网页对象,由页面链接、页面内容、子链接和页面签名构成。

class Page(object):

    def __init__(self, url, contents, child_urls, signature):
        self.url = url
        self.contents = contents
        self.child_urls = child_urls
        self.signature = signature

Crawler爬虫服务的主类,由PagePagesDataStore 组成。

class Crawler(object):

    def __init__(self, data_store, reverse_index_queue, doc_index_queue):
        self.data_store = data_store
        self.reverse_index_queue = reverse_index_queue
        self.doc_index_queue = doc_index_queue

    def create_signature(self, page):
        """基于页面链接与内容生成签名。"""
        ...

    def crawl_page(self, page):
        for url in page.child_urls:
            self.data_store.add_link_to_crawl(url)
        page.signature = self.create_signature(page)
        self.data_store.remove_link_to_crawl(page.url)
        self.data_store.insert_crawled_link(page.url, page.signature)

    def crawl(self):
        while True:
            page = self.data_store.extract_max_priority_page()
            if page is None:
                break
            if self.data_store.crawled_similar(page.signature):
                self.data_store.reduce_priority_link_to_crawl(page.url)
            else:
                self.crawl_page(page)

处理重复内容

我们要谨防网页爬虫陷入死循环,这通常会发生在爬虫路径中存在环的情况。

向面试官了解你需要写多少代码.

删除重复链接:

  • 假设数据量较小,我们可以用类似于 sort | unique 的方法。(译注: 先排序,后去重)
  • 假设有 10 亿条数据,我们应该使用 MapReduce 来输出只出现 1 次的记录。
class RemoveDuplicateUrls(MRJob):

    def mapper(self, _, line):
        yield line, 1

    def reducer(self, key, values):
        total = sum(values)
        if total == 1:
            yield key, total

比起处理重复内容,检测重复内容更为复杂。我们可以基于网页内容生成签名,然后对比两者签名的相似度。可能会用到的算法有 Jaccard index 以及 cosine similarity

抓取结果更新策略

要定期重新抓取页面以确保新鲜度。抓取结果应该有个 timestamp 字段记录上一次页面抓取时间。每隔一段时间,比如说 1 周,所有页面都需要更新一次。对于热门网站或是内容频繁更新的网站,爬虫抓取间隔可以缩短。

尽管我们不会深入网页数据分析的细节,我们仍然要做一些数据挖掘工作来确定一个页面的平均更新时间,并且根据相关的统计数据来决定爬虫的重新抓取频率。

当然我们也应该根据站长提供的 Robots.txt 来控制爬虫的抓取频率。

用例:用户输入搜索词后,可以看到相关的搜索结果列表,列表每一项都包含由网页爬虫生成的页面标题及摘要

  • 客户端向运行反向代理Web 服务器发送一个请求
  • Web 服务器 发送请求到 Query API 服务器
  • 查询 API 服务将会做这些事情:
    • 解析查询参数
      • 删除 HTML 标记
      • 将文本分割成词组 (译注: 分词处理)
      • 修正错别字
      • 规范化大小写
      • 将搜索词转换为布尔运算
    • 使用倒排索引服务来查找匹配查询的文档
      • 倒排索引服务对匹配到的结果进行排名,然后返回最符合的结果
    • 使用文档服务返回文章标题与摘要

我们使用 REST API 与客户端通信:

$ curl https://search.com/api/v1/search?query=hello+world

响应内容:

{
    "title": "foo's title",
    "snippet": "foo's snippet",
    "link": "https://foo.com",
},
{
    "title": "bar's title",
    "snippet": "bar's snippet",
    "link": "https://bar.com",
},
{
    "title": "baz's title",
    "snippet": "baz's snippet",
    "link": "https://baz.com",
},

对于服务器内部通信,我们可以使用 远程过程调用协议(RPC)

第四步:架构扩展

根据限制条件,找到并解决瓶颈。

Imgur

重要提示:不要直接从最初设计跳到最终设计!

现在你要 1) 基准测试、负载测试。2) 分析、描述性能瓶颈。3) 在解决瓶颈问题的同时,评估替代方案、权衡利弊。4) 重复以上步骤。请阅读设计一个系统,并将其扩大到为数以百万计的 AWS 用户服务 来了解如何逐步扩大初始设计。

讨论初始设计可能遇到的瓶颈及相关解决方案是很重要的。例如加上一套配备多台 Web 服务器负载均衡器是否能够解决问题?CDN呢?主从复制呢?它们各自的替代方案和需要权衡的利弊又有哪些呢?

我们将会介绍一些组件来完成设计,并解决架构规模扩张问题。内置的负载均衡器将不做讨论以节省篇幅。

为了避免重复讨论,请参考系统设计主题索引相关部分来了解其要点、方案的权衡取舍以及替代方案。

有些搜索词非常热门,有些则非常冷门。热门的搜索词可以通过诸如 Redis 或者 Memcached 之类的内存缓存来缩短响应时间,避免倒排索引服务以及文档服务过载。内存缓存同样适用于流量分布不均匀以及流量短时高峰问题。从内存中读取 1 MB 连续数据大约需要 250 微秒,而从 SSD 读取同样大小的数据要花费 4 倍的时间,从机械硬盘读取需要花费 80 倍以上的时间。1

以下是优化爬虫服务的其他建议:

  • 为了处理数据大小问题以及网络请求负载,倒排索引服务文档服务可能需要大量应用数据分片和数据复制。
  • DNS 查询可能会成为瓶颈,爬虫服务最好专门维护一套定期更新的 DNS 查询服务。
  • 借助于连接池,即同时维持多个开放网络连接,可以提升爬虫服务的性能并减少内存使用量。
    • 改用 UDP 协议同样可以提升性能
  • 网络爬虫受带宽影响较大,请确保带宽足够维持高吞吐量。

其它要点

是否深入这些额外的主题,取决于你的问题范围和剩下的时间。

SQL 扩展模式

NoSQL

缓存

异步与微服务

通信

安全性

请参阅安全

延迟数值

请参阅每个程序员都应该知道的延迟数

持续探讨

  • 持续进行基准测试并监控你的系统,以解决他们提出的瓶颈问题。
  • 架构扩展是一个迭代的过程。

results matching ""

    No results matching ""