摘要：在系統(tǒng)正常運行時，可以變更爬蟲的配置，一旦實時監(jiān)控爬蟲出現(xiàn)異常，可實時修正配置進行干預(yù)。從數(shù)據(jù)庫中實時讀取配置信息，響應(yīng)業(yè)務(wù)層的配置請求。處理系統(tǒng)通過服務(wù)層，每次去取配置信息可能維護人員在實時修正及待抓取的列表進行處理。

在我工作的多家公司，有眾多的領(lǐng)域，如房產(chǎn)，電商，廣告等領(lǐng)域。盡管業(yè)務(wù)相差很大，但都涉及到爬蟲領(lǐng)域。開發(fā)爬蟲項目多了后，自然而然的會面對一個問題——

這些開發(fā)的爬蟲項目有通用性嗎？

有沒有可能花費較小的代價完成一個新的爬蟲需求？

在維護運營過程中，是否能夠工具化，構(gòu)建基于配置化的分布式爬蟲應(yīng)用？

這就是是我們今天要討論的話題。

立項之初，我們從使用的腳度試著提幾個需求。

1. 分布式抓取
由于抓取量可能非常龐大，一臺機器不足以處理百萬以上的抓取任務(wù)，因此分布式爬蟲應(yīng)用是首當(dāng)其沖要面對并解決的問題。
? ? ?
2. 模塊化，輕量
我們將爬蟲應(yīng)用分成“應(yīng)用層，服務(wù)層，業(yè)務(wù)處理層，調(diào)度層” 四個腳色。

3. 可管理，可監(jiān)控
管理監(jiān)控是一個體系，即配置可管理化，運行實時監(jiān)控化。在系統(tǒng)正常運行時，可以變更爬蟲的配置，一旦實時監(jiān)控爬蟲出現(xiàn)異常，可實時修正配置進行干預(yù)。所有的一切，均可以通過UI界面進行操作。

4. 通用性，可擴展。
爬蟲業(yè)務(wù)往往多變，不同領(lǐng)域的爬取需求不盡相同。舉例說，房源抓取包含圖片抓取，小區(qū)信息抓取，房源去重等模塊。新聞抓取包括內(nèi)容抓取，正文提取，信息摘要等相關(guān)。
因此，系統(tǒng)需要能夠支持業(yè)務(wù)擴展需求，可以支持不同的業(yè)務(wù)使用同一套框架進行應(yīng)用開發(fā)。?

針對業(yè)務(wù)需求，我們將系統(tǒng)分解成多個應(yīng)用模塊。

? ??
應(yīng)用層是針對管理員，系統(tǒng)維護人員使用。主要分成兩個模塊，系統(tǒng)配置模塊和運營管理模塊。

系統(tǒng)配置模塊：系統(tǒng)配置模塊包含抓取網(wǎng)站管理配置，在線測試等功能。

運營管理模塊：運營管理模塊包含實時抓取量統(tǒng)計，分析，正確率等。甚至包括失敗原因，失敗量。
?

系統(tǒng)運營人員可以根據(jù)運營模塊得到實時的反饋，使用系統(tǒng)配置模塊進行配置修正，在線測試正確后將配置生效，再實時監(jiān)控新的配置產(chǎn)生的效果。
? ??

服務(wù)層是整個系統(tǒng)傳輸?shù)闹袠?，相?dāng)于整個分布式集中的系統(tǒng)總線和數(shù)據(jù)總線。服務(wù)層提供一個http/thrift接口，讀取數(shù)據(jù)庫，輸出配置信息。

提供網(wǎng)站爬蟲配置接口。從數(shù)據(jù)庫中實時讀取配置信息，響應(yīng)業(yè)務(wù)層的配置請求。

提供業(yè)務(wù)層輸出寫入接口。接受業(yè)務(wù)層實時爬取的信息匯總，包括正確數(shù)據(jù)量，錯誤數(shù)據(jù)量，以及錯誤原因。

提供實時報表統(tǒng)計分析。響應(yīng)應(yīng)用層的運營管理模塊，查詢數(shù)據(jù)庫，實時提供數(shù)據(jù)分析報告。

? ? ?
業(yè)務(wù)處理層是整個爬蟲系統(tǒng)的核心，可分成多臺應(yīng)用服務(wù)器進行處理。業(yè)務(wù)處理層主要包含解決兩件事情。

如何獲取url

得到url后，如何處理

對于爬蟲來說，如何獲取url至關(guān)重要。我們將這一過程定義為發(fā)現(xiàn)系統(tǒng)。對于發(fā)現(xiàn)系統(tǒng)而言，目標(biāo)為如何發(fā)現(xiàn)待抓取網(wǎng)站的詳細url列表，盡可能的發(fā)現(xiàn)更全。

假設(shè)場景 A
我們逛一個電商網(wǎng)站：打開首頁-打開分類頁-可能會有多層分類頁-逐層點擊-直至最小的分類頁面。
打開這個分類頁會發(fā)現(xiàn)該分類頁下的所有分頁頁面，一頁一頁往下翻，就能夠獲得該分類頁的所有商品。

假設(shè)場景 B
我們逛一個汽車網(wǎng)站：打開首頁-找到品牌頁-接著找到車系-最后找到車款頁面。

通過以上場景分析可以得到一個結(jié)論，人能非常智能的找到所有待抓取的詳細頁面，即電商的商品，汽車的車款頁面。那么，是否可以通過配置方式來模擬這一過程呢？

請看下圖：

備注如下：

1.?root_info：
定義發(fā)現(xiàn)模塊的入口頁面，如同人打開汽車站的網(wǎng)頁，后續(xù)的發(fā)現(xiàn)都是起始于這些入口頁。
這里給出的實例是，某汽車網(wǎng)的品牌列表頁，根據(jù)“模板化”套用變量的配置，共有100個入口頁。

2.?steps:?
依次遍歷這100個入口頁，分別會執(zhí)行steps中定義的步驟。機器模擬人的方式進行查看瀏覽。
每個step中，會使用"link_module"定義的類進行邏輯進行處理。

讀取入口頁的html，結(jié)合"sub_prefix","sub_suffix"和"select"定義的內(nèi)容，獲得頁面子區(qū)域html。

使用"link_match_method"的方法（含前綴包含，匹配等）,抽取子區(qū)域的鏈接。

每個鏈接?和"link_pattern"進行匹配，匹配成功的url進入下一步。

每一步得到的url，自動進和地下一步處理，處理邏輯為遞歸上面a-c，直至"last_step"為true為止。

此處，即"last_step"為true中發(fā)現(xiàn)的url，即為發(fā)現(xiàn)系統(tǒng)最終需要獲取的url列表。發(fā)現(xiàn)系統(tǒng)總結(jié)，通過配置的方式，結(jié)合人類的瀏覽習(xí)慣，通過若干步迭代，最終獲取網(wǎng)站的詳細頁url列表。

由于每一步的抽取鏈接規(guī)則，以及步數(shù)據(jù)都是人為定義，因此，可以適配絕大部分網(wǎng)站的發(fā)現(xiàn)系統(tǒng)。當(dāng)然，越復(fù)雜的網(wǎng)站發(fā)現(xiàn)配置可能更多一些、更為繁雜，但萬變不離其宗。

前提當(dāng)然是每個業(yè)務(wù)的處理各不相同，有抽取頁面屬性功能、有正文提取、有圖片獲取，甚至有和當(dāng)前系統(tǒng)對接等。

由于業(yè)務(wù)處理不一致，很自然想到的是通過配置方式，定義職責(zé)鏈系統(tǒng)，如同著名框架Netty中的Pipeline設(shè)計。在處理過程中，定義一個Context上下文處理類，并且，所有的中間結(jié)果都暫緩在這個Context中。

描述比較空洞，還是結(jié)合實際案例來看。

備注如下：

得到一個url后，讀取配置，當(dāng)url和"site"匹配時，適用當(dāng)前"site"規(guī)則。

1?pipeline定義職責(zé)鏈的處理過程
此處的定義為“抓取模塊，Javascript處理模塊，通用解析模塊”。對應(yīng)的處理如下：
先執(zhí)行抓取模塊，得到html。緊接著執(zhí)行Javascript處理模塊，輸入為html，解析html，此處可能是評論，也可能是價格，總之處理的是動態(tài)加載項目，緊接著處理“通用解析模塊”

2 ?"parser_rules"定義的是解析模塊
最終輸出的是kv，在java中是map，python中是dict。即從上一步的html中，找到每一薦的"sizzle"，執(zhí)行"prefix","suffix"即前后綴移除(過濾如同“價格：xxx元，前綴為“價格:"，后綴為元)。
對了，sizzle也是一個開源技術(shù)，據(jù)說以前鼎鼎有名的Jquery也是"sizzle"引擎。Java中可以使用Jsoup解析處理。
怎么知道需要取的"sizzle"內(nèi)容是什么呢？具體可以結(jié)合firebug插件，選中即可得。選中后，結(jié)合應(yīng)用層的管理工具，即可進行測試。

3 ?“isrequire"
可以看到，配置項中有“isrequire"，表示這項內(nèi)容是否必須。如果必須，且在實際處理中獲取不到，那么在抓取的過程中，就會記錄一個錯誤，?錯誤原因自然是“$key is null"。此外，每一個module都可能出錯，一旦出錯，就沒有必要往后去執(zhí)行。
因此，在抓取過程中，業(yè)務(wù)處理層從服務(wù)層獲得一批url(默認(rèn)100個）后，在處理這一百個url結(jié)束后，會向服層report，report內(nèi)容為：
當(dāng)前任務(wù)處理機器，于什么時間處理100個頁面。不同網(wǎng)站成功多少、失敗多少、什么模塊失敗多少，解析模塊什么字段失敗多少。
所有這些信息，均是實時統(tǒng)計，并在運營監(jiān)控系統(tǒng)中以圖表形示繪制出來，必要時可以發(fā)出報警，交由維護人員實時干預(yù)。

Q:?提一個問題，新增一個anotherauto.com網(wǎng)站怎么辦？
A:?其實也很簡單，再增加一個配置唄。業(yè)務(wù)定義pipeline，如果有解析需求，填寫對應(yīng)的解析項即可。

以上兩個系統(tǒng)，發(fā)現(xiàn)系統(tǒng)和處理系統(tǒng)，在我們實際生產(chǎn)中，是通過以下步驟貫穿。

發(fā)現(xiàn)系統(tǒng)累計發(fā)現(xiàn)待抓取網(wǎng)站的詳細頁，因為是一個累計持續(xù)的過程。因此有把握持續(xù)無限接近網(wǎng)站的100%頁面。

處理系統(tǒng)通過服務(wù)層，每次去取配置信息（可能維護人員在實時修正）及待抓取的列表進行處理。

待抓取的列表根據(jù)業(yè)務(wù)的優(yōu)先級，分普通隊列及優(yōu)先級隊列，通過任務(wù)調(diào)度系統(tǒng)進行統(tǒng)一管理和配置。

調(diào)度層

調(diào)度層主要是業(yè)務(wù)系統(tǒng)。

新增一個網(wǎng)站任務(wù)調(diào)度

網(wǎng)站發(fā)現(xiàn)頻率，包括增量發(fā)現(xiàn)頻率和全量發(fā)現(xiàn)頻率

網(wǎng)站抓取優(yōu)先級推送至隊列

斷點續(xù)抓管理

......

從業(yè)務(wù)模塊上看

應(yīng)用層，服務(wù)層，業(yè)務(wù)處理層，調(diào)度層

從功能系統(tǒng)上看

發(fā)現(xiàn)系統(tǒng)，抓取系統(tǒng)，?配置系統(tǒng)，監(jiān)控系統(tǒng)

從擴展性上看

自定義職責(zé)鏈，自定義屬性提取

從實時性上看

實時抓取，實時配置生效，實時監(jiān)控，實時測試

從系統(tǒng)架構(gòu)上看

分布式架構(gòu)，服務(wù)層主從切換設(shè)計，輕量（僅依賴于隊列，數(shù)據(jù)庫，java)

①　

②　

③　

*爬蟲模塊 ui二 (1.6 ?任務(wù)配置) ：
定義每個爬蟲任務(wù)的處理執(zhí)行職責(zé)鏈，不同的爬蟲任務(wù)可以有不同的處理鏈。對于系統(tǒng)而言，處理每一個待爬取的url，都會按照職責(zé)鏈的順序執(zhí)行。后置處理類則是一批任務(wù)執(zhí)行后（如上文的100個url)，批量提交的方式。如文件落地，入庫，推往線上系統(tǒng)等。通過任務(wù)處理定義，則可以自定義各類不同場景的爬蟲業(yè)務(wù)，在不編碼的前提下增加系統(tǒng)的靈活性。*

④　?

*屬性配置：
如圖所示，維護人員增加條測試的url，同時定義需要提取的屬性，則可在線定義該頁面對應(yīng)的屬性輸出，可見即可得。?在增加便利性，可測試性的基礎(chǔ)上，又能靈活的選取頁面的任意屬性，值得一提的是，可以通過firefox插件獲取sizzle的配置。*

⑤　

*1.9查看明細：?
在爬蟲系統(tǒng)的運行過程中，幾乎可以實時的進行任務(wù)的監(jiān)控。由于爬蟲任務(wù)實時將爬取的狀態(tài)寫入數(shù)據(jù)庫，因此完全可以通過ui界面進行管理及監(jiān)控。1. 監(jiān)控：監(jiān)控爬蟲任務(wù)當(dāng)前時間成功次數(shù)，錯誤次數(shù)，什么模塊錯誤，甚至某個屬性提取錯誤。2. 管理：維護人員觀測監(jiān)控效果后，可實時進行編輯及管理（見上一張圖），以應(yīng)對不同網(wǎng)站的改版需求。所有編輯實時生效，編輯完成后，無需重啟服務(wù)，又可實時監(jiān)控爬蟲任務(wù)的最新效果。*

反爬蟲
文章來源：http://bigsec.com/

踏浪無痕 ?豈安科技高級架構(gòu)師? 
十余年數(shù)據(jù)研發(fā)經(jīng)驗，擅長數(shù)據(jù)處理領(lǐng)域工作，如爬蟲、搜索引擎、大數(shù)據(jù)應(yīng)用高并發(fā)等。擔(dān)任過架構(gòu)師，研發(fā)經(jīng)理等崗位。曾主導(dǎo)開發(fā)過大型爬蟲，搜索引擎及大數(shù)據(jù)廣告DMP系統(tǒng)目前負責(zé)豈安科技數(shù)據(jù)平臺開發(fā)與搭建。